CN105678076A - 点云测量数据质量评估优化的方法及装置 - Google Patents
点云测量数据质量评估优化的方法及装置 Download PDFInfo
- Publication number
- CN105678076A CN105678076A CN201610008778.6A CN201610008778A CN105678076A CN 105678076 A CN105678076 A CN 105678076A CN 201610008778 A CN201610008778 A CN 201610008778A CN 105678076 A CN105678076 A CN 105678076A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- cloud
- parameter
- cloud measurement
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
一种点云测量数据质量评估优化的方法及装置,其中方法模块包括如下步骤,获取点云测量数据,所述点云测量数据包括测量工具的外部校准参数和时间偏差参数,对点云测量数据的来源位置的概率分布建立高斯混合模型,根据所述高斯混合模型的熵建立价值函数,用价值函数对点云测量数据的质量进行评估;优化价值函数的评估分数,得到最优时间偏差参数;根据最优时间偏差参数优化外部校准参数,得到最优外部校准参数。解决了现有技术中某些测量工具尤其是点云测量数据质量不够好的问题。
Description
技术领域
本发明涉及激光雷达设计领域,尤其涉及一种点云测量数据质量评估优化方法及装置。
背景技术
在无人车领域中,三维激光雷达(或者三维激光测距传感器)在无人车对环境进行精确的、高密度的扫描中变得越来越重要。比起二维的激光雷达,三维激光雷达输出的立体点云能有效提高各种算法的效率,例如:
1.用于映射精细详尽的环境地图的算法;
2.用于感应、归类、追踪场景中静态/动态物体的算法;
3.用于恢复车辆行驶的轨迹/对车辆进行定位的算法。
比较常见的高性能三维激光测距传感器的成本都很高,比如在无人驾驶领域应用广泛的HDL-64EHDL-64E(以下简称HDL-64E)。为了提高激光数据的采集频率,每个HDL-64E都安装了64个独立的激光器,而不是像其它的激光雷达那样只安装了一个激光器,然后依靠一个转动的镜片偏转激光光束实现扇面扫描。因此在每个激光器的数据采集频率一定的情况下,HDL-64E采集的点云点数量高了一个几何级。
然而64个独立的激光器和高转速的机械结构也大大提高了成本,HDL-64E激光雷达的参考售价高达$75000,远远超出一部普通的轿车的价格,增加了无人车进入市场的门槛。因此制造低成本高性能的激光雷达显得格外重要。
发明内容
为此,需要提供一种点云测量数据优化方法,对简单的测量工具的点云数据质量进行评估优化。
为实现上述目的,发明人提供了一种点云测量数据质量评估优化的方法,包括如下步骤,获取点云测量数据,所述点云测量数据包括测量工具的外部校准参数和时间偏差参数,对点云测量数据的来源位置的概率分布建立高斯混合模型,根据所述高斯混合模型的熵建立价值函数,用价值函数对点云测量数据的质量进行评估;
优化价值函数的评估分数,得到最优时间偏差参数;根据最优时间偏差参数优化外部校准参数,得到最优外部校准参数。
其中,所述测量工具包括声呐雷达、光学雷达等多种环境探测工具。
具体地,用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
具体地,用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
进一步地,所述高斯混合模型的参数σ2为系统调优参数,所述方法还包括步骤,用最优时间偏差参数和最优外部校准参数作为初始值,对系统调优参数进行优化,得到最优系统调优参数。
具体地,所述外部校准参数包括激光雷达激光发射点与旋转中心的距离、激光雷达扫描平面与转动平面正切向量的夹角或不同激光雷达的不同激光发射点与旋转中心连线的夹角。
优选地,“对点云测量数据可能来源位置的概率分布建立高斯混合模型”包括步骤,对点云测量数据可能来源位置的概率分布用核密度估计进行近似计算,在每一个来源位置数据点上建立一个高斯核函数,将点云测量数据可能来源位置的概率分布表示为高斯混合模型。
一种点云测量数据质量评估优化的装置,包括点云数据模块、高斯模型构建模块、评估模块、时间偏差优化模块、外部校准优化模块,
所述点云数据模块用于获取点云测量数据,所述点云测量数据包括测量工具的外部校准参数和时间偏差参数;
所述高斯模型构建模块用于对点云测量数据的来源位置的概率分布建立高斯混合模型,
所述评估模块用于根据所述高斯混合模型的熵建立价值函数,用价值函数对点云测量数据的质量进行评估;
所述时间偏差优化模块用于优化价值函数的评估分数,得到最优时间偏差参数;
所述外部校准优化模块用于根据最优时间偏差参数优化外部校准参数,得到最优外部校准参数。
具体地,所述评估模块用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
具体地,所述评估模块用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
进一步地,所述高斯混合模型的参数σ2为系统调优参数,
所述高斯模型构建模块还用于用最优时间偏差参数和最优外部校准参数作为初始值,对系统调优参数进行优化,得到最优系统调优参数。
具体地,所述外部校准参数包括激光雷达激光发射点与旋转中心的距离、激光雷达扫描平面与转动平面正切向量的夹角或不同激光雷达的不同激光发射点与旋转中心连线的夹角。
优选地,所述高斯模型构建模块还用于,对点云测量数据可能来源位置的概率分布用核密度估计进行近似计算,在每一个来源位置数据点上建立一个高斯核函数,将点云测量数据可能来源位置的概率分布表示为高斯混合模型。
区别于现有技术,上述技术方案通过定义了测量工具点云测量数据的评估方法,量化了点云测量数据质量好坏,并且提供了参数优化方法,解决了现有技术中某些测量工具尤其是点云测量数据质量不够好的问题。
附图说明
图1为本发明具体实施方式所述的一种三维激光雷达示意图;
图2为本发明具体实施方式所述的一种三维激光雷达探测方法流程图;
图3为本发明具体实施方式所述的三维激光雷达外部参数示意图;
图4为本发明具体实施方式所述的时钟间匹配示意图;
图5为本发明具体实施方式所述的点云测量数据质量评估优化方法流程图;
图6为本发明具体实施方式所述的激光雷达点云示意图;
图7为本发明具体实施方式所述的价值曲线等值面图;
图8为本发明具体实施方式所述的自由参数选择示意图;
图9为本发明具体实施方式所述的自由参数-价值曲线变化示意图;
图10为本发明具体实施方式所述的三维激光雷达探测装置模块图;
图11为本发明具体实施方式所述的点云测量数据质量评估优化装置模块图。
附图标记说明:
1000、数据获取模块;
1002、模型构建模块;
1004、点云计算模块;
1006、脉冲计算模块;
1008、时钟偏差计算模块;
1010、位置读数计算模块;
1012、匹配模块;
1100、点云数据模块;
1102、高斯模型构建模块;
1104、评估模块;
1106、时间偏差优化模块;
1108、外部校准优化模块。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果,以下结合具体实施例并配合附图详予说明。
一、概述
本文描述了:
1.一种低成本高性能的三维激光雷达的设计、结构。
2.这种雷达进行测量/数据采集的数学模型,以及模型所包括的参数的调试过程。
3.对于几个不同部件上不同的时钟的偏移的估计的算法。
4.一种通过最大化每个数据点概率分布的熵值,自动搜寻最优模型参数的方法,达到自动校准的目的。这种方法也可以用于任何激光雷达输出的点云质量的好坏。
三维激光测距传感器通常都是通过在转动安装于水平面上的二维激光器来实现三维的数据采集的。比如HDL-64E所有的64个激光器分成4组排列安装在上层旋转结构上,这些激光器能同时扫描同一个扇面,扇面的夹角大约26.8度。然后通过整个上层旋转结构的转动,达到360度扫描的目的。(图1)因为所有激光器同一时刻只能扫描一个二维平面,所以必须以较高的转速来满足环视扫描时候的数据的更新速率。
VelodyneHDL-64E高性能三维激光雷达,是本文所描述的激光雷达在功能上的参照对象。
本文所描述的激光雷达通过在旋转基座上安装多个朝向不同的二维激光雷达,实现了在较低的转速下实现类似的数据更新率。本文以三个二维激光雷达的一种具体实现举例,但本设计和相关方法完全可以支持2个、三个、四个甚至更多的二维激光雷达。
图1所示的实施例中展示了整个装置,即本文描述的一种三维激光雷达的外观。整个装置上部署了三个SICKLMS-151激光扫描激光雷达,它们是二维的激光雷达。这三个激光雷达被安置在一个最快2.0赫兹频率旋转的转盘上。系统还配置了一个12线的滑环集电环为旋转的激光激光雷达提供动力及以太网,以及一个微处理器(中央处理器),用于编码读取到的数据及作为转盘的电动机控制器。
所有的二维雷达必须平均地分布在360度的各个方向上(及雷达之间的夹角为360/N度,N为雷达的数量)。这样做除了保证输出的测量数据(点云)在各个方向上密度均匀一致,还大大增加了旋转时上层旋转结构的稳定性,减少不利的机械振动。这种设计比起比起HDL-64E,还可以减少配重的结构。
较低的转速也有利于简化机械的结构,减少上层旋转结构转动时候的振动/摆动。增加二维激光雷达的数量的好处是可以降低转速,或者提高数据更新的频率,但这里面有个取舍,更多的二维雷达会增加系统中时钟同步的难度。下文会涉及不同部件之间时间同步的解决算法。
每个方向上安装的都是同一型号的二维激光雷达。出于成本考虑,本文给出的具体实施例中使用了测距范围为50米的SICKLMS-151二维激光雷达。SICK激光雷达拥有的非常大的扫描角度(270度),角度分辨率为0.5度,内置的激光器发射的频率为50赫兹。因此每个SICK雷达每秒能进行27050次测量,而整个系统的数据输出率为每秒生成81150个测量。
依靠大扫描角度的二维激光雷达,整个装置能提供全方位覆盖和几乎完整的球形视野-唯一不能观察到的区域是垂直于转盘的一个圆柱体。虽然说这个装置系统的数据输出率不如HDL-64E,但是相比之下,这个装置在成本更低的情况下,却拥有更好的视野和更优越的测量精确度。
然而,这种设计存在几个挑战:
1.由于采集过程中激光雷达是不断旋转运动的(频率达到1到2赫兹),需要依靠一种算法准确推断某一特定时刻,每个激光雷达的旋转角度(下文用lambda表示);
2.几个激光雷达以及微处理器因为是独立的器件,之间不像HDL-64E那样存在硬件层面的同步(如时间同步、位置同步等)。这带来了某一特定时刻,不同部件赋予数据的时间戳不同。
为了解决上述问题,输出高质量精确的激光点云,这个雷达的软件算法包括:
1.时间校准:利用莫恩算法和凸包算法,模拟恢复不同装置时钟间的频率差与时间差,以校准由于时钟脉冲相位差和时钟偏差引起的误差。
2.几何校准:对所有的自由几何参数进行优化得到它们的最佳估计值,并利用这些值对点云的脆度(点云质量的测量)进行最终的优化。
二、雷达测量/数据采集的数学模型
2.1系统参数化及利用运动链(KinematicChain)对原始传感器数据进行转化在这一部分我们把整个系统参数化,概述了用来将原始传感器数据转化到世界坐标体系的变换。
在图2所示的实施例中,介绍了一种二维低成本雷达组成的三维激光雷达的探测方法,一种三维雷达测量方法,所述方法应用于由两个以上二维激光雷达组成的测量工具中,该测量工具还包括转盘和中央处理器,转盘上设置有激光雷达,所述方法包括模型构建步骤和时间校准步骤,
所述模型构建步骤包括,步骤S200获取传感器测量输出数据;S202根据测量输出数据构建传感器模型;根据传感器模型得到反传感器模型,S204用反传感器模型根据测量输出数据估计被测量点的位置,得到第一点云数据;将多时段的第一点云数据合并成第二点云数据,将多个传感器的第二点云数据合并,得到最终的三维点云;
在一些具体的实施例中,现在考虑一个激光雷达Li,在转盘的控制下进行扫射扫描,对环境中的一系列位置Xi={x1…xm}进行了一系列对应的测量,得到测量输出Zi={z1…zm}。每一个测量输出zj=[rj,θj,φj]T由距离测量rj,激光雷达的反射镜角θj,和转盘的位置φj组成。我们的传感器模型hi是zj=hi(xj;Θi),如图3所示这里Θi=[λi,τi,αi]T是激光雷达Li的一系列外部校准参数。我们用反传感器模型根据测量输出值去估计被测量点的位置,得到一个运动链(即上述的第一点云数据):
这里R{x,y,z}和T{x,y,z}分别代表了关于特定轴的旋转和平移。通过将一段时间内激光雷达Li测量输出合并起来,我们就可以生成一个三维的点云,把三个激光雷达的测量输出Z={Z1,Z2,Z3}合并起来得到最终的点云
在图3所示的实施例中,介绍了一些外部参数的关系,激光雷达Li在转盘上的位置由三个参数决定:τi是激光束发射点到转盘中心的距离,αi是扫描屏幕和转盘的正切向量之间的夹角,而λi则代表了,链接激光束发射点到转盘中心这个半径,与链接第一束激光束发射点到转盘中心这个半径,之间的逆时针方向的夹角。为了方便我们通常都会把λ1设置为0。在利用优化步骤去最大化点云质量的时,我们能自动取得这些外部参数。
三、时间校准
为了追求更好的三维扫描质量,时间校准和几何校准都是关键。时间校准是针对由于时间标记误差导致的误差,举个例子来说,一个15毫秒时间标记误差(典型的个人电脑时钟准确度误差)对于一个以1赫兹的频率旋转的激光雷达来说,如果我们要对一个距离10米的位置进行距离测量,会产生几乎1米的系统误差。此外,我们要特别注意的是激光雷达距离测量输出和传感器的方向测量输出之间的同时同步性。要达到这两个数据输出的同步性,我们需要去模拟估计所有相关传感器跟处理器的时钟脉冲相位差和时钟偏差。而除了时间校准,我们还要仔细地考虑如何决定系统的几何结构,并针对几何结构进行几何校准,以避免系统的测量性能下降。
3.1时间校准-时钟间的匹配
在具体的实施例中,如图2所示,一种三维雷达探测方法中,所述时间校准步骤包括,步骤S206运用莫恩算法去确定每一个激光雷达上的时钟相对于中央处理器时钟的时钟脉冲相位差,S208通过静态延迟校准,使用外部参数校准每个激光雷达的相对位置标记时钟偏差,所述外部参数包括激光雷达激光发射点与旋转中心的距离或激光雷达扫描平面与转动平面正切向量的夹角;S210用所述相对位置标记时钟偏差优化外部参数,S212使用优化后的外部参数计算转盘位置读数,用所述转盘位置读数、相对位置标记时钟偏差和脉冲相位差进行两个以上激光雷达间的时钟匹配。
被测量点云的精确度高度取决于外部校准参数的质量以及转盘旋转度测量数据的精确度。其中后者是一个关于转盘编码测量和单束激光测量的时间标记精确度的方程。理想的状态下,我们会用一些方程来对单束激光测量的时间标记tj和转盘编码测量进行匹配,以使得φj∶=φj(tj),这就需要所有相关的装置对时间的测量是一致的。而事实上,每一个SICKLMS-151激光扫描激光雷达都配置有一个内部的时钟,以用来给数据戳上时间标记;同样地,微处理器在标记其转盘编码数据的时间时用的也是它内部配置的时钟。图4就阐释了这样一个状况:
如图4所示,一个激光雷达Li发出了一束激光束,其距离测量为rj,反射镜角为θj,而根据雷达内部的时钟Ci,激光束对应的时间标记为tj。每一个激光雷达时钟都有其特定的,相对于中央电脑时钟的脉冲相位差,以及相对于微处理器时钟的时钟偏差。外部参数τi和αi是通过分析转盘方向数据和雷达距离测量数据得出的。求解的过程遵循以下的顺序:首先通过莫恩算法找到时钟脉冲相位差,通过静态延迟校准使用外部参数τi和αi找到ηi。然后利用ηi生成更精确的外部参数τi和αi。最后,利用这些值去估计λi。
消费品级别的装置上所配置的时钟一般对温度的变化都是敏感的,因此无法保证其绝对的准确性。曾有实验让一个SICKLMS-151激光扫描激光雷达不停的运转5天,最后发现其内部的时钟与精确校准过的时钟比差了90秒钟。这样误差程度完全不能满足我们对点云精确度的要求。
一个比较普遍的处理时钟脉冲相位差的方式是,将所有数据传输到一个中央电脑上,然后在接受的时刻对数据进行时间标记。然后,由于不统一的传递速度跟缓冲延迟,这样的方式仍然会带来一定的噪音误差,仍然不能满足我们精确度的要求。
于是,为了追求更高的精确度,更少的噪音误差,我们选择去学习不同装置的时钟之间的匹配关系。我们运用莫恩算法去确定每一个装置上的时钟相对于中央电脑时钟的相对频率。我们的实现办法运用了高效的凸包算法,以实现快速的,在线的时钟相对参数的估计。假设我们现在有两个被会延迟的,且延迟不固定的数据网络所连接的时钟,这个算法首先会对两个时钟间的单向时钟偏差运行一个线性规划优化。这个算法能够最大程度上修正时钟偏差,但不包括最低限度的传输延迟。这是因为传输延迟无法在仅被单向时钟偏差数据体现出来。
在将装置上的时间标记匹配与中央电脑的时间标记匹配起来后,我们把未知的这个最低限度传输延迟设置为校准参数,ηi代表了激光雷达Li的时间标记与转盘位置时间标记间的时钟偏差。如果我们能确定这个时钟偏差,那么从激光雷达Li得到的每一个激光雷达测量都能够与正确的转盘位置读数,通过下列方程匹配起来:
φj∶=φj(tj+ηi)(3)
四、点云质量的评估以及传感器参数的自动优化
4.1点云质量的测量
这里请参阅图5,为一种点云测量数据质量评估优化的方法流程图,包括如下步骤,S500获取点云测量数据,所述点云测量数据包括测量工具的外部校准参数和时间偏差参数,S502对点云测量数据的来源位置的概率分布建立高斯混合模型,S504根据所述高斯混合模型的熵建立价值函数,用价值函数对点云测量数据的质量进行评估;
我们之所以想要得到点云质量的测量值,是因为有了这样一个测量值,我们才能够对2.1里概述的校准参数进行优化,得到更高质量的,更精确的点云。直观地,我们想通过找到这样一系列校准参数,可以最大化点云的脆度(crispness)。
假设我们的点云测量是从一个潜在分布中读取出来的,p(x)代表了数据是从已知地点x读取到的概率。我们运用核密度估计(又名Parzen窗)方法,以得到p(x)的近似值。在每一个数据点上都建立一个高斯核函数(Gaussiankernel),我们就可以将p(x)表示为一个高斯混合模型(GaussianMixtureModel/GMM):
这里G(μ,∑)是一个期待值为μ,协方差为∑的高斯分布。我们使用了一个各向同性核函数(isotropickernel),其中∑=σ2I,σ是我们系统中唯一固定的调优参数。
现在,我们可以把点云的“脆度”与p(x)的熵联系起来。点云越“脆”,潜在分布的峰就越尖。熵的测量被证明是一种量化高斯混合模型分布的紧实度(compactness)的有效方式,也是点云配准领域的一个有效工具。概率分布函数为p(x)的随机变量X,我们将它的熵HR定义为:
这里唯一一个自由参数α决定了如何给事件概率加权:如果α趋近正无穷的大,那么我们就只考虑了高概率事件;如果α取较小的值,那么高概率事件跟低概率事件会得到更平均的加权,无论其发生的概率大小。在α无限趋近于1的时候,等式就变成了我们熟悉的香农熵(ShannonEntropy)测量。当α=2的时候,我们则有:
HRQE[X]=-log∫p(x)2dx(6)
也就是我们熟知的Rényi二次熵(RényiQuadraticEntropy)。
我们将等式4的高斯混合模型代入进等式6,得到:
注意这里两个高斯的卷积(convolution)可以被简化为:
∫G(x-xi,Σ1)G(x-xj,Σ2)dx=G(xi-xj,Σ1+Σ2)(9)
我们从而得到高斯混合模型的Rényi二次熵的封闭式表达:
等式10可以被看作是X中的点的紧实度的测量,而X的信息理论起源于唯一一个自由参数σ。注意,为了优化的需要,由于log是一个单调的运算操作,而比例因子是完全不必要的,我们可以把这些项去掉以得到我们的价值函数:
这个等式只取决于中的成对的点它们之间的距离。至此,我们有了一种对点云测量数据的质量进行直观评估的标准。
4.2几何校准
根据上节介绍的点云测量数据质量评估标准,我们可以进一步地优化,以得到更好的三维激光雷达外部参数,使得测量的点云数据更加精确。因此请看图5,还包括步骤S506优化价值函数的评估分数,得到最优时间偏差参数;S507根据最优时间偏差参数优化外部校准参数,得到最优外部校准参数。把等式1的反传感器模型代入进等式11,并同时修正等式3的时间延迟误差,使得我们能把价值函数表达成关于外部校准参数和时间标记偏差参数H=[η1,η2,η3]T的方程:
首先我们得到时间偏差H。这个由错误的滞后值(lagvalues)导致的误差是和转盘的角速率成正比的。要达到优化的目的,使用反射镜角为θ-45°的激光束的测量输出是完全足够的。我们首先,将τi和αi固定在对应的标称值上,然后利用拟牛顿(quasi-Newton)方法取优化等式12这个价值方程:
等式13给出了最佳静态滞后值注意,等式13的优化过程需要在不同的转盘速度下进行。转盘速度的差异越大,这个校准就会越精准。
现在,激光雷达已经暂时被校准了,我们可以使用通过以上步骤取得的最佳静态滞后值来求和
现在,我们考虑一个由激光雷达Li发出的两条激光束得到的测量输出形成的二维点云,这里这两条在转盘的旋转平面上激光束的反射镜角是相对的,θ-45°和θ135°。我们通过优化去估计外部参数τ=[τ1,τ2,τ3]T和α=[α1,α2,α3]T:
在这里,使用两个不同的反射镜角提供了额外的几何信息,这对于计算和来说是必要的。
接下来,我们要对λ进行相对校正,λ=[λ1,λ2,λ3]T是链接激光束发射点到转盘中心这个半径,与链接第一束激光束发射点到转盘中心这个半径,之间的逆时针方向的夹角。同样,我们利用经过优化的以及反射镜角为θ-45°和θ135°的两束激光的测量输出去进行优化:
最后,在已经对所有的自由几何参数进行优化得到它们的最佳估计值后,我们就要利用这些值对点云的脆度进行最终的优化:
对于一个拥有n个激光雷达的系统,我们要对3n-1个几何参数进行优化。
通过上述优化方案,能够使得计算、拟合、点云合并的过程中得到的数据更加精确,提高了低成本三维激光雷达的使用效果,具有很高的实用性。
五、校准效果、参数验证和参数的选择
5.1校准效果
图6所示的实施例中展示了两组由当转盘旋转速率在0到2赫兹间变化时,从反射镜角为θj的激光雷达数据采集形成的点云。一个是在假设时钟偏差为零,ηi=0的情况下生成的,而另一个则是用本文阐述的方法,通过优化等式13,得到的最佳时钟偏差值来生成的。而图7则展示了由等式14生成的等值线图,可以看到等值表面只有一个全局最小值,而没有局部极小值。图6具体还描述了当转盘转动速率在0赫兹到2赫兹间变化时,从一束水平激光雷达取得的数据所生成的点云。左边的图像展示了在假设时钟偏差为零,ηi=0ms的情况下数据生成的点云,而右边的图像则展示了在使用最佳时钟偏差值ηi=38ms(通过优化等式13得到的)来生成的点云。右边的图像的Renyi二次熵(RQE)比左边的图像的RQE要低。
图7表示了价值函数表面E(Θ,H|Z)的等值线图-利用真实数据在不同的τ和α值上进行运算得到的等值线。图中的叉代表了全局最小值。
5.2价值函数的检验
由于我们并不知道校准参数的真实值,我们无法从数值上去去量化通过本方法得到的估计结果的准确度。为了确保我们的校准步骤的确是对真实的校准参数进行了最佳估计,同时为了去量化估计结果的准确度测量,我们可以对综合激光雷达数据数据运行一系列的蒙特卡罗模拟(Monte-Carlosimulations)。我们的模拟通过对测量结果zi进行“污染”-利用附加的噪音其中σz=0.012m,以和真实激光雷达数据的数据噪音相匹配。我们通过将校准参数设置为τtrue=0.20m,αtrue=0°和λtrue=0°,用蒙特卡罗模拟算法去检验等式14和15这两个校准价值函数。每次模拟的距离测量重新产生,我们都会进行1500次运算。表格1展示了这些测试的结果。我们可以看到,即使从最不利的初始数值λ=180°开始,在这1500次运行中,我们仍然能将λ优化到一个0.22°的范围内。
表格1
5.3自由参数σ的选择
前文描述了如何选择不同的参数对模型优化结果的影像,σ作为自由参数或名为系统调优参数揭示了高斯混合模型的实用程度,因此在进一步的实施例中,为了建立更好用的高斯混合模型,得出更容易调优的系统,增强本方法的实用性,所述方法还包括步骤S510用最优时间偏差参数和最优外部校准参数作为初始值,对系统调优参数进行优化,得到最优系统调优参数。
为了展示不同的自由参数σ的选择对我们对校准参数的估计的影响,我们利用与5.2中蒙特卡罗模拟(Monte-Carlosimulations)相同的方法去生成模拟测量值zi,通过使σ在0.1和2中变化来找到最优化的等式14。图8展示了,随着我们将自由参数σ值不断变大的过程中,我们对τ和α的估计也变得越来越不准确。从这个角度说,为了优化准确度,我们对自由参数σ的选择是越小越好。然而,如果我们观察图9-利用真实数据通过等式13产生的价值函数-我们可以看到随着选择更小自由参数σ,价值函数的图像变得越来越“多峰”。当σ=0.001时,价值函数就产生了局部极小值,这意味这此时这个价值函数已经不适合用来进行优化了。
图8所示的实施例说明了当τtrue=0.2m和αtrue=0°时,校准参数τ和α随自由参数σ的变化而变化。
图9所示的实施例说明了随自由参数σ的变化,等式13的价值函数的图像变化。左上角的图像为σ=0.5,右上角的图像σ=0.04,左下角的图像σ=0.012以及右下角的图像σ=0.001。
所以,我们推荐用以下这个步骤去找到最合适的自由参数σ:
1,首先将σ设定成一个比测量值的噪音要大很多的值
2,接着通过对价值函数进行收敛得到最优化的价值函数
3,利用最优化的价值函数估计校准参数τ和α
4,利用校准参数估计值作为初始值,对自由参数σ进行上述优化,从而找到一个与系统噪音相近的自由参数σ。这个值就是对自由参数σ最合适的选择。
这样能同时保证校准参数τ和α的估计值的最大准确度,又能保证对价值函数的能进行有效优化。
在图10所示的实施例中,为一种三维雷达测量装置模块图,所述装置包括数据获取模块1000、模型构建模块1002、点云计算模块1004、脉冲计算模块1006、时钟偏差计算模块1008、位置读数计算模块1010,匹配模块1012,
所述获取模块1000用于获取传感器测量输出数据;
所述模型构建模块1002用于根据测量输出数据构建传感器模型,根据传感器模型得到反传感器模型;
所述点云计算模块1004用于用反传感器模型根据测量输出数据估计被测量点的位置,得到第一点云数据;将多时段的第一点云数据合并成第二点云数据,将多个传感器的第二点云数据合并,得到最终的三维点云;
所述脉冲计算模块1006用于运用莫恩算法去确定每一个激光雷达上的时钟相对于中央处理器时钟的时钟脉冲相位差;
所述时钟偏差计算模块1008用于通过静态延迟校准,使用外部参数校准每个激光雷达的相对位置标记时钟偏差,所述外部参数包括激光雷达激光发射点与旋转中心的距离或激光雷达扫描平面与转动平面正切向量的夹角;
所述位置度数计算模块1010用于用所述相对位置标记时钟偏差优化外部参数,使用优化后的外部参数计算转盘位置读数;
所述匹配模块1012用于用所述转盘位置读数、相对位置标记时钟偏差和脉冲相位差进行两个以上激光雷达间的时钟匹配。通过上述模块设计,提供了一种低成本的二维激光雷达组合成的三维激光雷达的测量装置,不仅能够探测周边环境,还能够对误差进行校正,解决了现有技术中三维雷达成本过高的问题。
具体地,所述传感器模型为hi,由测量输出数据zj=hi(xj;Θi)确定,其中Θi=[λi,τi,αi]T是第i个激光雷达的外部校准参数;
所述点云模块用反传感器模型根据测量输出值估计被测量点的位置,得到第一点云数据数学表示为:
其中R{x,y,z}和T{x,y,z}分别代表关于特定轴的旋转和平移。
在图11所示的实施例中,为一种点云测量数据质量评估优化的装置模块图,包括点云数据模块1100、高斯模型构建模块1102、评估模块1104、时间偏差优化模块1106、外部校准优化模块1108,
所述点云数据模块1100用于获取点云测量数据,所述点云测量数据包括测量工具的外部校准参数和时间偏差参数;
所述高斯模型构建模块1102用于对点云测量数据的来源位置的概率分布建立高斯混合模型,
所述评估模块1104用于根据所述高斯混合模型的熵建立价值函数,用价值函数对点云测量数据的质量进行评估;
所述时间偏差优化模块1106用于优化价值函数的评估分数,得到最优时间偏差参数;
所述外部校准优化模块1108用于根据最优时间偏差参数优化外部校准参数,得到最优外部校准参数。上述装置模块设计定义了测量工具点云测量数据的评估方法,量化了点云测量数据质量好坏,并且提供了参数优化方法,解决了现有技术中某些测量工具尤其是点云测量数据质量不够好的问题。
具体地,所述评估模块用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
具体地,所述评估模块用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
进一步地,所述高斯混合模型的参数σ2为系统调优参数,
所述高斯模型构建模块还用于用最优时间偏差参数和最优外部校准参数作为初始值,对系统调优参数进行优化,得到最优系统调优参数。上述模块设计能够得到更优选的高斯混合模型,提升了本发明方案的实用性。
具体地,所述外部校准参数包括激光雷达激光发射点与旋转中心的距离、激光雷达扫描平面与转动平面正切向量的夹角或不同激光雷达的不同激光发射点与旋转中心连线的夹角。
优选地,所述高斯模型构建模块还用于,对点云测量数据可能来源位置的概率分布用核密度估计进行近似计算,在每一个来源位置数据点上建立一个高斯核函数,将点云测量数据可能来源位置的概率分布表示为高斯混合模型。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括……”或“包含……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外,在本文中,“大于”、“小于”、“超过”等理解为不包括本数;“以上”、“以下”、“以内”等理解为包括本数。
本领域内的技术人员应明白,上述各实施例可提供为方法、装置、或计算机程序产品。这些实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,所述的程序可以存储于计算机设备可读取的存储介质中,用于执行上述各实施例方法所述的全部或部分步骤。所述计算机设备,包括但不限于:个人计算机、服务器、通用计算机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式智能设备、车载智能设备等;所述的存储介质,包括但不限于:RAM、ROM、磁碟、磁带、光盘、闪存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
上述各实施例是参照根据实施例所述的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到计算机设备的处理器以产生一个机器,使得通过计算机设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设备可读存储器中,使得存储在该计算机设备可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机设备上,使得在计算机设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已经对上述各实施例进行了描述,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改,所以以上所述仅为本发明的实施例,并非因此限制本发明的专利保护范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围之内。
Claims (12)
1.一种点云测量数据质量评估优化的方法,其特征在于,包括如下步骤,获取点云测量数据,所述点云测量数据包括测量工具的外部校准参数和时间偏差参数,对点云测量数据的来源位置的概率分布建立高斯混合模型,根据所述高斯混合模型的熵建立价值函数,用价值函数对点云测量数据的质量进行评估;
优化价值函数的评估分数,得到最优时间偏差参数;根据最优时间偏差参数优化外部校准参数,得到最优外部校准参数。
2.根据权利要求1所述的点云测量数据质量评估优化的方法,其特征在于,用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
3.根据权利要求1所述的点云测量数据质量评估优化的方法,其特征在于,用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
4.根据权利要求2或3所述的点云测量数据质量评估优化的方法,其特征在于,所述高斯混合模型的参数σ2为系统调优参数,所述方法还包括步骤,用最优时间偏差参数和最优外部校准参数作为初始值,对系统调优参数进行优化,得到最优系统调优参数。
5.根据权利要求1所述的点云测量数据质量评估优化的方法,其特征在于,所述外部校准参数包括激光雷达激光发射点与旋转中心的距离、激光雷达扫描平面与转动平面正切向量的夹角或不同激光雷达的不同激光发射点与旋转中心连线的夹角。
6.根据权利要求1所述的点云测量数据质量评估优化的方法,其特征在于,“对点云测量数据可能来源位置的概率分布建立高斯混合模型”包括步骤,对点云测量数据可能来源位置的概率分布用核密度估计进行近似计算,在每一个来源位置数据点上建立一个高斯核函数,将点云测量数据可能来源位置的概率分布表示为高斯混合模型。
7.一种点云测量数据质量评估优化的装置,其特征在于,包括点云数据模块、高斯模型构建模块、评估模块、时间偏差优化模块、外部校准优化模块,
所述点云数据模块用于获取点云测量数据,所述点云测量数据包括测量工具的外部校准参数和时间偏差参数;
所述高斯模型构建模块用于对点云测量数据的来源位置的概率分布建立高斯混合模型,
所述评估模块用于根据所述高斯混合模型的熵建立价值函数,用价值函数对点云测量数据的质量进行评估;
所述时间偏差优化模块用于优化价值函数的评估分数,得到最优时间偏差参数;
所述外部校准优化模块用于根据最优时间偏差参数优化外部校准参数,得到最优外部校准参数。
8.根据权利要求7所述的点云测量数据质量评估优化的装置,其特征在于,所述评估模块用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
9.根据权利要求7所述的点云测量数据质量评估优化的装置,其特征在于,所述评估模块用价值函数对点云质量进行评估,所述价值函数为:
其中是点云测量数据,G为高斯分布,σ2I为协方差。
10.根据权利要求8或9所述的点云测量数据质量评估优化的装置,其特征在于,所述高斯混合模型的参数σ2为系统调优参数,
所述高斯模型构建模块还用于用最优时间偏差参数和最优外部校准参数作为初始值,对系统调优参数进行优化,得到最优系统调优参数。
11.根据权利要求7所述的点云测量数据质量评估优化的装置,其特征在于,所述外部校准参数包括激光雷达激光发射点与旋转中心的距离、激光雷达扫描平面与转动平面正切向量的夹角或不同激光雷达的不同激光发射点与旋转中心连线的夹角。
12.根据权利要求7所述的点云测量数据质量评估优化的装置,其特征在于,所述高斯模型构建模块还用于,对点云测量数据可能来源位置的概率分布用核密度估计进行近似计算,在每一个来源位置数据点上建立一个高斯核函数,将点云测量数据可能来源位置的概率分布表示为高斯混合模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008778.6A CN105678076B (zh) | 2016-01-07 | 2016-01-07 | 点云测量数据质量评估优化的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610008778.6A CN105678076B (zh) | 2016-01-07 | 2016-01-07 | 点云测量数据质量评估优化的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678076A true CN105678076A (zh) | 2016-06-15 |
CN105678076B CN105678076B (zh) | 2018-06-22 |
Family
ID=56299351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610008778.6A Active CN105678076B (zh) | 2016-01-07 | 2016-01-07 | 点云测量数据质量评估优化的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678076B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127250A (zh) * | 2016-06-24 | 2016-11-16 | 深圳市唯特视科技有限公司 | 一种基于三维点云数据的人脸质量评估方法 |
CN107167788A (zh) * | 2017-03-21 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 获取激光雷达校准参数、激光雷达校准的方法及系统 |
CN107767375A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
CN110188663A (zh) * | 2019-05-28 | 2019-08-30 | 禾多科技(北京)有限公司 | 检测定位车辆点云质量的方法 |
CN111936825A (zh) * | 2018-03-21 | 2020-11-13 | 祖克斯有限公司 | 传感器校准 |
WO2020248176A1 (zh) * | 2019-06-12 | 2020-12-17 | 浙江大学 | 点云处理的方法与装置 |
WO2021062530A1 (en) * | 2019-10-01 | 2021-04-08 | Blackberry Limited | Angular mode syntax for tree-based point cloud coding |
WO2021102676A1 (zh) * | 2019-11-26 | 2021-06-03 | 深圳市大疆创新科技有限公司 | 物体状态获取方法、可移动平台及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072725A (zh) * | 2010-12-16 | 2011-05-25 | 唐粮 | 一种基于激光点云和实景影像进行空间三维测量的方法 |
CN103106632A (zh) * | 2012-11-29 | 2013-05-15 | 华中科技大学 | 一种基于均值漂移的不同精度三维点云数据的融合方法 |
CN103337066A (zh) * | 2013-05-27 | 2013-10-02 | 清华大学 | 3d获取系统的校准方法 |
CN104657464A (zh) * | 2015-02-10 | 2015-05-27 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及装置 |
CN104990501A (zh) * | 2015-07-14 | 2015-10-21 | 华中科技大学 | 一种三维激光扫描装置的系统参数校准方法 |
CN105067023A (zh) * | 2015-08-31 | 2015-11-18 | 中国科学院沈阳自动化研究所 | 一种全景三维激光传感器数据校准方法和装置 |
-
2016
- 2016-01-07 CN CN201610008778.6A patent/CN105678076B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102072725A (zh) * | 2010-12-16 | 2011-05-25 | 唐粮 | 一种基于激光点云和实景影像进行空间三维测量的方法 |
CN103106632A (zh) * | 2012-11-29 | 2013-05-15 | 华中科技大学 | 一种基于均值漂移的不同精度三维点云数据的融合方法 |
CN103337066A (zh) * | 2013-05-27 | 2013-10-02 | 清华大学 | 3d获取系统的校准方法 |
CN104657464A (zh) * | 2015-02-10 | 2015-05-27 | 腾讯科技(深圳)有限公司 | 一种数据处理方法及装置 |
CN104990501A (zh) * | 2015-07-14 | 2015-10-21 | 华中科技大学 | 一种三维激光扫描装置的系统参数校准方法 |
CN105067023A (zh) * | 2015-08-31 | 2015-11-18 | 中国科学院沈阳自动化研究所 | 一种全景三维激光传感器数据校准方法和装置 |
Non-Patent Citations (2)
Title |
---|
喜文飞等: "一种新的点云数据压缩质量评定方法", 《甘肃科学学报》 * |
李德江等: "基于扫描模式的点云修复技术研究", 《测绘与空间地理信息》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127250A (zh) * | 2016-06-24 | 2016-11-16 | 深圳市唯特视科技有限公司 | 一种基于三维点云数据的人脸质量评估方法 |
CN107167788A (zh) * | 2017-03-21 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 获取激光雷达校准参数、激光雷达校准的方法及系统 |
CN107767375B (zh) * | 2017-11-02 | 2021-06-29 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
CN107767375A (zh) * | 2017-11-02 | 2018-03-06 | 广东电网有限责任公司电力科学研究院 | 一种点云质量评估方法及装置 |
CN111936825A (zh) * | 2018-03-21 | 2020-11-13 | 祖克斯有限公司 | 传感器校准 |
CN111936825B (zh) * | 2018-03-21 | 2023-09-08 | 祖克斯有限公司 | 传感器校准 |
CN110188663A (zh) * | 2019-05-28 | 2019-08-30 | 禾多科技(北京)有限公司 | 检测定位车辆点云质量的方法 |
CN110188663B (zh) * | 2019-05-28 | 2021-02-26 | 禾多科技(北京)有限公司 | 检测定位车辆点云质量的方法 |
CN112385222A (zh) * | 2019-06-12 | 2021-02-19 | 浙江大学 | 点云处理的方法与装置 |
WO2020248176A1 (zh) * | 2019-06-12 | 2020-12-17 | 浙江大学 | 点云处理的方法与装置 |
CN112385222B (zh) * | 2019-06-12 | 2023-11-10 | 浙江大学 | 点云处理的方法与装置 |
WO2021062530A1 (en) * | 2019-10-01 | 2021-04-08 | Blackberry Limited | Angular mode syntax for tree-based point cloud coding |
WO2021102676A1 (zh) * | 2019-11-26 | 2021-06-03 | 深圳市大疆创新科技有限公司 | 物体状态获取方法、可移动平台及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN105678076B (zh) | 2018-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678076A (zh) | 点云测量数据质量评估优化的方法及装置 | |
CN105738915A (zh) | 三维雷达测量方法及装置 | |
Lv et al. | Targetless calibration of lidar-imu system based on continuous-time batch estimation | |
JP4650750B2 (ja) | 三次元形状データの記憶・表示方法と装置および三次元形状の計測方法と装置 | |
JP4650751B2 (ja) | 三次元形状データの位置合わせ方法と装置 | |
CN114526745B (zh) | 一种紧耦合激光雷达和惯性里程计的建图方法及系统 | |
CN103453849B (zh) | 多光学传感器协同的复杂曲面零件三维测量方法与系统 | |
US10670689B2 (en) | System and method for determining geo location of a target using a cone coordinate system | |
CN104019799A (zh) | 一种利用局部参数优化计算基础矩阵的相对定向方法 | |
CN104715469A (zh) | 一种数据处理方法及电子设备 | |
CN111913169B (zh) | 激光雷达内参、点云数据的修正方法、设备及存储介质 | |
Heinz et al. | Development, calibration and evaluation of a portable and direct georeferenced laser scanning system for kinematic 3D mapping | |
Chen et al. | Point cloud encoding for 3D building model retrieval | |
CN112446844B (zh) | 一种基于点云特征提取与配准融合方法 | |
CN109975745A (zh) | 一种基于到达时间差的近远场统一定位方法 | |
Kaijaluoto | Precise indoor localization for mobile laser scanner | |
Liu et al. | Using weighted total least squares and 3-D conformal coordinate transformation to improve the accuracy of mobile laser scanning | |
CN116699574A (zh) | 用于激光雷达的外参标定方法和装置及机器可读存储介质 | |
Zhuangsheng et al. | Study on initial gravity map matching technique based on triangle constraint model | |
CN112596047A (zh) | 轨迹动态合作信标模拟的水下轨迹跟踪自检系统和方法 | |
Tu et al. | Geometrical model of laser triangulation system based on synchronized scanners | |
Wan et al. | Enhance accuracy: Sensitivity and uncertainty theory in LiDAR odometry and mapping | |
Zhang et al. | Freight train gauge-exceeding detection based on three-dimensional stereo vision measurement | |
CN113819892B (zh) | 基于半参数估计和附加深度约束的深海基准网平差方法 | |
Chen et al. | Positioning Accuracy Model of Sailing‐Circle GPS‐Acoustic Method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |