CN108196260B - 无人驾驶车辆多传感器融合系统的测试方法和装置 - Google Patents

Abstract

本公开涉及一种无人驾驶车辆多传感器融合系统的测试方法和装置，所述方法包括以下步骤：在所述无人驾驶车辆顶部安装多线激光雷达作为测试设备(201)；所述多线激光雷达采集点云数据，并根据所采集的点云数据来确定目标参考信息(202)；根据所述多传感器融合系统输出的数据来确定目标测量信息(203)；将所述目标测量信息与所述目标参考信息进行比对，来确定目标测量准确性(204)。本公开提供的测试方法和装置，能够实现对无人驾驶车辆多传感器融合系统的有效评测。

Description

无人驾驶车辆多传感器融合系统的测试方法和装置

技术领域

本公开涉及无人驾驶车辆领域，具体地，涉及一种无人驾驶车辆多传感器融合系统的测试方法和装置。

背景技术

无人驾驶车辆是一种智能汽车，其通过车载传感系统感知道路环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的行驶参数，从而使得车辆能够安全可靠地在道路上行驶并到达预定目标。无人驾驶车辆集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，已经成为世界各国的研究热点。

传感器是无人驾驶车辆的硬件基础，在自动驾驶的各个阶段都不可或缺。摄像头、激光雷达、超声波雷达等均是无人驾驶车辆上常用的传感器。由于每种传感器有其自身的优势和劣势，比如，摄像头成本低、易于直观识别物体，但是其难以精确测距而且探测依赖光线，在极端天气可能失效；毫米波雷达不受天气影响，探测距离远，精度高，但是成本较高，难以识别物体；激光雷达精度极高，能够扫描周边环境实时建立三维模型，但是其探测受恶劣天气影响并且成本高昂，因而为保证探测效果，在无人驾驶车辆中常常采用多种传感器，并采用多传感器融合技术对分布在不同位置的多个同类或不同类传感器所提供的局部数据资源加以综合，采用计算机技术对其进行分析，消除多传感器信息之间可能存在的冗余和矛盾，提高系统的探测准确性。图1示出了一种无人驾驶车辆多传感器融合系统的示意图，其包括安装在车辆前侧的前向激光雷达、前向毫米波雷达，安装在车辆后部的后向激光雷达，安装在车辆四个侧角上的四个侧向毫米波雷达，安装在车辆前挡风玻璃两侧的多线激光雷达，安装在车辆前部的摄像头；还包括安装在车辆上的车载终端的通讯模块、惯性导航、工控机和DGPS模块。多个传感器的采集的数据传送到工控机并经多传感器融合系统算法，输出周围目标信息显示给用户。

采用多传感器融合系统的无人驾驶车辆很大程度上提高了目标探测的准确性，然而，对于这种多传感器融合系统的探测准确程度，还没有很好的评测方案。

发明内容

本公开的目的是提供一种无人驾驶车辆多传感器融合系统的测试方法和装置，以解决上述相关问题。

为了实现上述目的，根据本公开的第一方面，提供一种无人驾驶车辆多传感器融合系统的测试方法，该方法包括以下步骤：在所述无人驾驶车辆顶部安装多线激光雷达作为测试设备；所述多线激光雷达采集点云数据，并根据所采集的点云数据来确定目标参考信息；根据所述多传感器融合系统输出的数据来确定目标测量信息；将所述目标测量信息与所述目标参考信息进行比对，来确定目标测量准确性。

在第一方面的一些可选的实施方式中，所述根据多线激光雷达采集的点云数据来确定目标参考信息包括：将所述点云数据由雷达坐标系转换到车体坐标系；对转换到车体坐标系下的点云数据中包含的目标进行标注以确定所述目标参考信息。

在第一方面的一些可选的实施方式中，所述将所述点云数据由雷达坐标系转换到车体坐标系包括：将所述点云数据由雷达坐标系转换到笛卡尔坐标系，再从笛卡尔坐标系转换到车体坐标系。

在第一方面的一些可选的实施方式中，，所述将所述目标测量信息与所述目标参考信息进行比对包括：将所述多线激光雷达确定的目标参考信息与所述多传感器融合系统输出的目标测量信息显示在同一界面上。

在第一方面的一些可选的实施方式中，所述多线激光雷达为64线激光雷达。

在第一方面的一些可选的实施方式中，所述多线激光雷达周期性实时采集点云数据，并将所采集的点云数据保存为多个数据包。

在第一方面的一些可选的实施方式中，所述目标测量信息和目标参考信息包括目标距离、位置及数目中的一者或多者。所述目标测量准确性包括漏检率、误检率、位置精度和距离精度中的一者或多者。

根据本公开的第二方面，还提供一种使用上述测试方法的无人驾驶车辆多传感器融合系统的测试装置。

本公开通过上述技术方案，以诸如64线的多线激光雷达的探测数据为基准，将无人驾驶车辆多传感器系统探测到的目标信息与多线激光雷达探测的目标信息进行对照分析，统计出多传感器融合系统的漏检率、误检率、距离精度、位置精度等准确度信息，从而有效评测多传感器融合系统的准确性。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是无人驾驶车辆多传感器融合系统的示意图；

图2是根据本公开的无人驾驶车辆多传感器融合系统的测试方法的流程图；

图3是多传感器融合系统的探测目标显示图；

图4是根据本公开的安装多线激光雷达作为测试设备的无人驾驶车辆的示意图；

图5A和图5B是根据本公开的将多线激光雷达采集的点云数据从雷达坐标系转换到笛卡尔坐标系的示意图；

图6是根据本公开的从笛卡尔坐标系转换到统一车体坐标系的示意图；和

图7是根据本公开的测试方法的多线激光雷达的目标探测示意图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

如图2所示，本公开提供了一种无人驾驶车辆多传感器融合系统的测试方法，该方法包括以下步骤：步骤201，在所述无人驾驶车辆顶部安装多线激光雷达作为测试设备；步骤202，所述多线激光雷达采集点云数据，并根据所采集的点云数据来确定目标参考信息；步骤203，根据所述多传感器融合系统输出的数据来确定目标测量信息；步骤204，将所述目标测量信息与所述目标参考信息进行比对，来确定目标测量准确性。

在无人驾驶车辆中，如图1所示的多传感器融合系统将多个传感器采集的数据经融合系统的算法处理，输出综合决策数据，从该数据中可以确定出目标相关测量信息，比如目标的距离、位置、数目等信息。多传感器融合系统探测的目标信息可以显示给用户，如图3所示。

激光雷达通过内置激光探头对周围环境进行扫描，依靠激光遇到障碍后的折返时间，计算相对距离，它比可见光摄像头看得更精确更远，且不受光线影响，激光雷达已经成为导航、定位、避障必不可少的核心传感部件。本公开中选择多线激光雷达作为测试设备，其测量精度比单线雷达高很多，并且可以识别3D数据，便于精确测量车辆周围的目标物体。多线激光雷达目前主要有4线、8线、16线、32线和64线，随着线速的提升，其识别的数据点也随之增加。为提高对目标物体的探测精度，测试设备优选64线激光雷达，如Velodyne公司生产的64线激光雷达，64线激光雷达垂直角分辨率可以达0.4°，水平角分辨率可以达到0.08°，测距精度可为±2cm，可以清晰探测到测试路段周围的目标物体和环境信息，能确保测试路段信息的完整性。64线激光雷达优选安装在无人驾驶车辆顶部的行李架上，如图4所示，64线激光雷达优选距离地面2m以上，实现对测试环境目标物体的俯视探测，在人工标注时，可以省略由3D激光图像俯视投影到2D平面的工作。

根据多线激光雷达采集的点云数据来确定目标参考信息包括：将所述点云数据由雷达坐标系转换到车体坐标系；对目标进行标注以确定所述目标参考信息。多线激光雷达采集的原始点云数据中记录了距离R以及水平角α和俯仰角ω，构成极坐标形式的雷达坐标系，为便于处理，先将数据从雷达坐标系转换到笛卡尔坐标系，如图4所示，雷达坐标系以多线激光雷达为中心，以车辆的直线运动方向为X_L轴，以平行于车辆横轴的方向为Y_L轴，以垂直于水平地面向上的方向为Z_L轴。三维点所在的雷达线的俯仰角可以例如是图5A中所示的w，水平方向的水平角可以例如是图5B中所示的α。

示例地，可以通过以下的等式(1)将数据从雷达坐标系转换到笛卡尔坐标系：

其中，(X_L,Y_L,Z_L)为所述三维点在雷达坐标系下的坐标；l为三维点距离多线激光雷达的距离；w为三维点所在的雷达线的俯仰角，它是垂直方向的角度；α为水平方向的水平角。

之后，再对位于笛卡尔坐标系下的数据进行标定，统一到车体坐标系，如图6所示，/car即表示车体坐标系，车辆中间的velodyne64代表作为测试设备的64线激光雷达，从笛卡尔坐标系到车体坐标系的转换可以通过平移完成；在图6中还示出了车辆多传感器融合系统的各个传感器及其坐标系，包括位于车辆四个角的侧后方毫米波雷达RSDS-0，RSDS-1，RSDS-2，RSDS-3，位于车辆前后挡风玻璃上的相机，位于车辆前侧的ESR，位于车辆前部两侧的两个多线激光雷达velodyne64/32/16k，位于车辆前部和后部的两个激光雷达lidar-8，以及车辆自身GPS(坐标系/carpos)，这些传感器均有自身的相关坐标系，在多传感器融合系统算法中均统一到车体坐标系进行处理以得到测量目标信息，这样多传感器融合系统确定的目标信息与作为测试设备的64线激光雷达确定的目标信息在统一的坐标系下，便于比对。

在一种实施方式中，可以根据旋转矩阵和平移矩阵对笛卡尔坐标系下的数据进行标定，统一到车体坐标系。

如图4所示，车体坐标系以车辆的直线运动方向为X_C轴，车辆的横轴方向为Y_C轴，垂直于水平地面的方向为Z_C轴。

示例地，可以通过以下等式(2)对笛卡尔坐标系下的数据进行标定，统一到车体坐标系：

其中，(X_C,Y_C,Z_C)为所述三维点在车体坐标系下的映射点坐标；R为旋转矩阵；T为平移矩阵。

另外，可以在无人驾驶车辆多传感器融合系统中为多线激光雷达创建一个单独的节点，编码UDP通信和点云数据预处理算法，将激光雷达探测到的目标测量信息与多传感器融合系统算法处理后输出的目标测量信息显示在同一个界面上。所述目标测量信息和目标参考信息可以包括目标距离、位置及数目中的一者或多者。

此外，在测试过程中作为测试设备的多线激光雷达优选地全程周期性实时采集数据，数据采集的时间间隔可以选择为不大于180s，可采集多个数据包并进行保存。图7示出了多线激光雷达的目标探测示意图。将多线激光雷达采集的数据包文件进行离线分析、人工标注，可以每十帧数据选取一帧，一秒钟标注一次，并采用俯视标注的方式。在使用本公开的测试方法时，需要确定无人驾驶车辆多传感器融合系统的测试环境和测试内容。测试环境包括无人驾驶车辆测试路段的环境要素，优选各种机动车辆、骑车人及行人等干扰目标物较多、树荫、护栏等影响也较大的复杂道路环境，以便于对传感器的综合工况进行统计性测试。测试内容主要包括精度测试和统计性测试，精度测试指目标物体距离精度和位置精度的测试，统计性测试是统计目标物体数目的漏检率和误检率。所述测试方法所确定的目标测量准确性可以包括漏检率、误检率、位置精度和距离精度中的一者或多者。

本公开提供的测试方法只引入一个多线激光雷达即可完成道路环境的信息采集，设备少，简单易行，而且以精度较高的64线激光雷达标注的目标参考信息为基准，与无人驾驶车辆多传感器融合系统算法处理后输出的目标物体的距离、位置及数目等目标测量信息进行对照分析，能够较为准确地统计出录制的数据包内多传感器融合系统的漏检率、误检率、位置精度和距离精度等信息。而且在测试过程中对于64线激光雷达采集的数据采用录制保存数据包的方法对目标物体进行标注，可实现数据的无限次重复利用。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。

Claims (6)

1.一种无人驾驶车辆多传感器融合系统的测试方法，其特征在于，该方法包括以下步骤：在无人驾驶车辆顶部安装多线激光雷达作为测试设备，其中，所述多线激光雷达与地面之间的距离大于2m；

所述多线激光雷达采集点云数据，并将所述点云数据由雷达坐标系转换到车体坐标系；

对转换到车体坐标系下的点云数据中包含的目标进行标注以确定所述目标参考信息；

根据所述多传感器融合系统输出的数据来确定目标测量信息，其中，所述多传感器融合系统包括分布在不同位置的多个不同类传感器，所述目标测量信息和目标参考信息包括目标距离、位置及数目中的一者或多者；

将所述目标测量信息与所述目标参考信息进行比对，来确定目标测量准确性；

其中，所述多传感器融合系统的测试环境包括无人驾驶车辆测试路段的环境要素，所述环境要素包括机动车辆、骑车人、行人、树荫以及护栏；

所述多传感器融合系统的测试内容包括精度测试和统计性测试，其中，精度测试指目标物体距离精度和位置精度的测试，统计性测试是统计目标物体数目的漏检率和误检率；

所述目标测量准确性包括漏检率、误检率、位置精度和距离精度中的一者或多者。

2.根据权利要求1所述的测试方法，其中，所述将所述点云数据由雷达坐标系转换到车体坐标系包括：将所述点云数据由雷达坐标系转换到笛卡尔坐标系，再从笛卡尔坐标系转换到车体坐标系。

3.根据权利要求1所述的测试方法，其中，所述将所述目标测量信息与所述目标参考信息进行比对包括：将所述多线激光雷达确定的目标参考信息与所述多传感器融合系统输出的目标测量信息显示在同一界面上。

4.根据权利要求1所述的测试方法，其中，所述多线激光雷达为64线激光雷达。

5.根据权利要求1所述的测试方法，其中，所述多线激光雷达周期性实时采集点云数据，并将所采集的点云数据保存为多个数据包。

6.一种使用权利要求1-5中任一项所述的测试方法的无人驾驶车辆多传感器融合系统的测试装置。

Images