CN110221276A

CN110221276A - 激光雷达的标定方法、装置、计算机设备和存储介质

Info

Publication number: CN110221276A
Application number: CN201910466533.1A
Authority: CN
Inventors: 冯荻; 雷宇苍; 杜杭肯; 韩旭
Original assignee: Wenyuan Zhixing Co Ltd
Current assignee: Wenyuan Zhixing Co Ltd
Priority date: 2019-05-31
Filing date: 2019-05-31
Publication date: 2019-09-10
Anticipated expiration: 2039-05-31
Also published as: CN110221276B

Abstract

本申请涉及一种激光雷达的标定方法、装置、计算机设备和存储介质，计算机设备获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；第一激光雷达和第二激光雷达设置在同一车辆上，且具有重合扫描区域；将第一点云数据和第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据；然后，对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值。采用上述方法可以提升了激光雷达的标定效率以及激光雷达标定的准确性。

Description

激光雷达的标定方法、装置、计算机设备和存储介质

技术领域

本申请涉及激光雷达领域，特别是涉及一种激光雷达的标定方法、装置、计算机设备和存储介质。

背景技术

随着车载传感器的广泛应用，激光雷达因其高分辨率、360度全方位、三维立体环境感知的能力，在车载传感器系统中发挥着重要的作用。现有的车载传感器系统中，一般会配置多个激光雷达在车的不同部位，以实现点云的无盲区覆盖，同时通过多个激光雷达对同一目标对象进行观测，对目标对象的形状、轮廓、行为、姿态等信息捕捉更全面。但是，要想获得以上的优势，激光雷达的标定是重要前提，需要获得多个激光雷达之间精确的相对位姿来完成对激光雷达的标定，以使得所有激光雷达的点云数据都能精确的统一到同一坐标系下。

传统技术中，对激光雷达的标定方法主要是通过标定人员使用测量工具对各个激光雷达与车辆上的车载惯性导航系统之间的相对位姿进行分别测量，记录测量结果后，完成激光雷达之间的标定。

但是，通过上述手工物理测量方法导致对激光雷达的标定效率低。

发明内容

基于此，有必要针对上述技术问题，提供一种激光雷达的标定方法、装置、计算机设备和存储介质。

一种激光雷达的标定方法，上述方法包括：

获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；第一激光雷达和第二激光雷达设置在同一车辆上，且具有重合扫描区域；

将第一点云数据和第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据；

对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值。

在一个实施例中，上述相对位姿估计值包括第一激光雷达和第二激光雷达的相对位置估计值和相对朝向估计值；对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值，包括：

对各个相对位置估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位置标定值；

对各个相对朝向估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对朝向标定值；

将相对位置标定值和相对朝向标定值确定为相对位姿标定值。

在一个实施例中，上述对各个相对朝向估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对朝向标定值，包括：

将各个相对朝向估计值进行向量转换，生成每个相对朝向估计值对应的相对朝向估计向量；

将所有相对朝向估计向量进行组合，获得相对朝向估计矩阵；

对相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量，并将平均向量确定为相对朝向标定值。

在一个实施例中，当相对朝向估计值用四元数表示时，上述对相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量，包括：

计算相对朝向估计矩阵的转置矩阵，并将相对朝向估计矩阵与相对朝向估计矩阵的转置矩阵相乘，获得相对朝向对称矩阵；

对相对朝向对称矩阵进行特征分解，获得相对朝向对称矩阵的各个特征值以及每个特征值对应的特征向量；

将各个特征值中最大特征值对应的特征向量确定为相对朝向估计向量的平均向量。

在一个实施例中，上述拼接算法为正态分布变换NDT算法。

在一个实施例中，上述场景为包含多个标定目标的标定场景；标定目标为包含直线段的扫描对象，多个标定目标中包含的多个直线段不共线。

在一个实施例中，上述获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据，包括：

获取车辆按照预设路线行驶时，第一激光雷达和第二激光雷达分别对标定场景进行扫描获得的第一点云数据和第二点云数据；预设路线包含车辆转弯路线。

在一个实施例中，上述将第一点云数据和第二点云数据按帧拆解，包括：

分别对第一点云数据和第二点云数据进行采样处理，获取第一采样点云数据和第二采样点云数据；

将第一采样点云数据和第二点云数据按帧拆解。

在一个实施例中，上述车辆包含至少三个激光雷达时，上述方法还包括：

将至少三个激光雷达中与其余激光雷达均具有重合扫描区域的激光雷达确定为第一激光雷达，依次将至少三个激光雷达中的剩余激光雷达分别确定为第二激光雷达。

根据至少三个激光雷达的扫描区域，设定至少三个激光雷达的标定顺序；标定顺序中相邻的两个激光雷达具有重合扫描区域；

基于标定顺序，依次将相邻的两个激光雷达确定为第一激光雷达和第二激光雷达。

一种激光雷达的标定装置，上述装置包括：

获取模块，用于获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；第一激光雷达和第二激光雷达设置在同一车辆上，且具有重合扫描区域；

拆解模块，用于将第一点云数据和第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据；

处理模块，用于对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值。

一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述激光雷达的标定方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述激光雷达的标定方法方法的步骤。

上述激光雷达的标定方法、装置、计算机设备和存储介质，计算机设备获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；第一激光雷达和第二激光雷达设置在同一车辆上，且具有重合扫描区域；将第一点云数据和第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据；然后，对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值。由于计算机设备对获取的第一点云数据和第二点云数据按帧拆解，并对每个扫描时刻对应的第一点云帧与第二点云帧进行点云拼接，获得一组相对位姿估计值；进一步地，计算机设备对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值，使得计算机设备可以自动获得第一激光雷达和第二激光雷达的相对位姿标定值，而不需要通过标定人员手工测量获得，大大提升了激光雷达的标定效率；同时，对于激光雷达之间通过手工测量无法获得的角度等标定参数，也可以通过上述方法获得，进一步提升了激光雷达标定的准确性。

附图说明

图1为一个实施例中激光雷达的标定方法的应用环境图；

图2为一个实施例中激光雷达的标定方法的流程示意图；

图3为另一个实施例中激光雷达的标定方法的流程示意图；

图4为另一个实施例中激光雷达的标定方法的流程示意图；

图5为另一个实施例中激光雷达的标定方法的流程示意图；

图6为另一个实施例中激光雷达的标定方法的流程示意图；

图7为一个实施例中激光雷达的标定装置的结构框图；

图8为另一个实施例中激光雷达的标定装置的结构框图；

图9为另一个实施例中激光雷达的标定装置的结构框图；

图10为另一个实施例中激光雷达的标定装置的结构框图；

图11为另一个实施例中激光雷达的标定装置的结构框图；

图12为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的激光雷达的标定方法，可以应用于如图1所示的应用环境中。其中，第一激光雷达200和第二激光雷达300设置在车辆100上，计算机设备400对第一激光雷达200和第二激光雷达300获取的点云数据进行处理，获得第一激光和第二激光雷达的相对位姿标定值，完成对第一激光雷达和第二激光雷达的标定。上述车辆100可以包括两个激光雷达，也可以包括多个激光雷达，上述车辆可以是自动驾驶车辆，也可以是普通车辆。

在一个实施例中，如图2所示，提供了一种激光雷达的标定方法，以该方法应用于图1中的计算机设备为例进行说明，上述方法包括：

S101、获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；第一激光雷达和第二激光雷达设置在同一车辆上，且具有重合扫描区域。

其中，上述第一激光雷达和第二激光雷达为设置在同一车辆上，且具有重合扫描区域的两个激光雷达；上述车辆可以是自动驾驶车辆，也可以是普通车辆；可以是大型货车，也可以是小型客车，在此对于上述车辆的类型在此不做限定。上述第一激光雷达和第二激光雷达可以设置在车辆的顶部，也可以设置在车辆的车头和车尾区域，上述第一激光雷达和第二激光雷达可以设置在车辆的同一区域，也可分别设置在车辆的不同区域，只要具有重合扫描区域即可。第一激光雷达发射激光信号，被场景中的对象漫反射后返回第一激光雷达接收，形成第一点云数据，同样地，计算机设备可以获取第二激光雷达得到的第二点云数据。

具体地，上述第一激光雷达和第二激光雷达在对同一场景进行扫描时，所设置的扫描周期可以相同，也可以不同，在此不做限定。上述第一激光雷达和第二激光雷达可以是同时开始对同一场景进行扫描，也可以设置不同的开始扫描时间，只要第一激光雷达和第二激光雷达具有重复的扫描时间即可，也就是说存在一个时间段，第一激光雷达和第二激光雷达同时对同一场景进行了扫描。

上述场景可以是街道场景，也可以是室内场景，对于场景的类型在此不做限定。可选地，上述场景可以为包含场景为包含多个标定目标的标定场景；其中，标定目标为包含直线段的扫描对象，且多个标定目标中包含的多个直线段不共线。其中，上述标定场景可以是标定人员专门设置的一个特定场景，也可以是选择一段特定的道路场景；上述标定目标包含有直线段，可以是街道中的道路标识，也可以是电线杆，或者一面墙，在此不做限定。通过对上述标定场景进行扫描获得第一点云数据和第二点云数据，可以使获得的相对位姿标定值更准确。

S102、将第一点云数据和第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据。

具体地，计算机设备可以分别将第一点云数据和第二点云数据按帧拆解，例如，第一点云数据和第二点云数据均为同一时间段扫描1分钟获得的，其中扫描参数分别为1分钟扫描100帧点云，分别对第一点云数据和第二点云数据按帧拆解后，可以得到100个第一点云帧和100个第二点云帧。计算机设备在对第一点云数据和第二点云数据按帧拆解时，可以将第一点云数据和第二点云数据中包含的点云帧全部拆解，也可以设定一系列扫描时刻，然后在第一点云数据中拆解出该系列扫描时刻的各个时刻点对应的第一点云帧，以及在第二点云数据中拆解出该系列扫描时刻的各个时刻点对应的第二点云帧；例如，继续以上述1分钟获得的第一点云数据和第二点云数据为例，计算机设备可以设定60个扫描时刻，将1分钟时长中间隔每秒拆解出一个点云帧，获取60个第一点云帧和60个第二点云帧；对于上述按帧拆解方式在此不做限定。

由于在同一扫描时刻，第一激光雷达和第二激光雷达所扫描的场景是相同的，因此，计算机设备在获得第一点云帧和第二点云帧之后，可以对同一扫描时刻对应的第一点云帧和第二点云帧进行点云拼接。具体地，计算机设备可以基于迭代就近点(IterativeClosest Point，简称ICP)算法进行点云拼接；可选地，上述拼接算法也可以是正态分布变换(Normal Distributions Transform，简称NDT)算法。

其中，计算机设备在获取同一扫描时刻对应的第一点云帧和第二点云帧时，可以将第一点云帧的扫描时刻与第二点云帧的扫描时刻进行对比，如果两个扫描时刻相同，那么可以认为是同一扫描时刻对应的一组第一点云帧和第二点云帧。由于第一激光雷达和第二激光雷达的扫描不一定同步，同时，第一激光雷达和第二激光雷达的扫描间隔也不一定相同，因此获得的第一点云帧的扫描时刻与第二点云帧的扫描时刻也不一定相同，计算机设备可以认为第一点云帧的扫描时刻与第二点云帧的扫描时刻的差值小于预设阈值时，该第一点云帧和第二点云帧对应同一个扫描时刻；对于上述同一扫描时刻对应的第一点云帧和第二点云帧的获取方式在此不做限定。

进一步地，计算机设备通过拼接算法对同一扫描时刻对应的第一点云帧和第二点云帧进行点云拼接后，拼接算法可以根据第一点云帧和第二点云帧的拼接过程输出第一激光雷达和第二激光雷达的相对位姿估计值；通过对不同的扫描时刻对应的第一点云帧和第二点云帧进行点云拼接，计算机设备可以获得各个扫描时刻的拼接点云数据对应的相对位姿估计值。

其中，上述相对位姿估计值用于描述其中一个扫描时刻的拼接点云对应的第一激光雷达和第二激光雷达的相对位置和相对朝向的估计值，可以通过矩阵形式表示，也可以使用三个偏移量来表示第一激光雷达和第二激光雷达的相对位置，然后通过四元数或者一组欧拉角来表示第一激光雷达和第二激光雷达的相对朝向；对于上述相对位姿估计值的表示方式在此不做限定。

S103、对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值。

在上述步骤的基础上，计算机设备获取了各个扫描时刻的拼接点云对应的相对位姿估计值，例如，100个拼接点云对应100组相对位姿标定值。计算机设备可以对上述相对位姿估计值进行平均处理，获得准确表征第一激光雷达和第二激光雷达的相对位姿的相对位姿标定值。

具体地，计算机设备在对各个相对位姿估计值进行平均处理时，可以将相对位姿估计值在坐标系中进行拟合，获得分布最集中的相对位姿估计值，然后将其确定为相对位姿标定值；另外，计算机设备也可以对相对位姿估计值中的各个值，例如三个偏移值和三个欧拉角参数分别根据扫描时刻进行拟合，获得各个值对应的拟合曲线，然后对拟合曲线进行处理确定合适的相对位姿标定值；对于上述平均处理方式在此不做限定。

上述激光雷达的标定方法，计算机设备获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；第一激光雷达和第二激光雷达设置在同一车辆上，且具有重合扫描区域；将第一点云数据和第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据；然后，对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值。由于计算机设备对获取的第一点云数据和第二点云数据按帧拆解，并对每个扫描时刻对应的第一点云帧与第二点云帧进行点云拼接，获得一组相对位姿估计值；进一步地，计算机设备对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值，使得计算机设备可以自动获得第一激光雷达和第二激光雷达的相对位姿标定值，而不需要通过标定人员手工测量获得，大大提升了激光雷达的标定效率；同时，对于激光雷达之间通过手工测量无法获得的角度等标定参数，也可以通过上述方法获得，进一步提升了激光雷达标定的准确性。

图3为另一个实施例中激光雷达的标定方法的流程示意图，本实施例涉及计算机设备对对各个相对位姿估计值进行平均处理的一种具体方式，其中，相对位姿估计值包括第一激光雷达和第二激光雷达的相对位置估计值和相对朝向估计值，在上述实施例的基础上，如图3所示，上述S103包括：

S201、对各个相对位置估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位置标定值。

具体地，上述相对位置估计值可以用坐标系中的三个偏移量来表示，计算机设备在对各个相对位置估计值进行平均处理时，可以分别对三个偏移量分别对应的一组估计值进行平均处理，例如在笛卡尔坐标系中，三组偏移量估计值可以表示为(X1,X2,…,Xn)、(Y1,Y2,…,Yn)以及(Z1,Z2,…,Zn)。计算机设备可以分别计算上述三组偏移量的算术平均数，获得三个偏移量的标定值，将其确定为第一激光雷达和第二激光雷达的相对位置标定值；也可以分别计算三组偏移量的几何平均数，还可以分别计算三组偏移量的加权平均数，对于上述平均处理的方式在此不做限定。

S202、对各个相对朝向估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对朝向标定值。

其中，上述相对朝向估计值可以用一组欧拉角表示，包括三个角度值；也可以用四元数表示，例如计算机设备获得的各个相对朝向估计值可以表示为m_n+x_ni+y_nj+z_nk，其中，i,j,k为三个虚数单位，n表示第n个扫描时刻的拼接点云。计算机设备可以对各个相对朝向估计值进行平均处理，可以对各个参数m,x,y,k进行算术平均，也可以对由m,x,y,k组成的向量进行向量平均，对于上述平均处理方式在此不做限定。计算机设备可以平均处理后得到的各个相对朝向估计值的平均值，确定为第一激光雷达和第二激光雷达的相对朝向标定值。

S203、将相对位置标定值和相对朝向标定值确定为相对位姿标定值。

在上述步骤的基础上，计算机设备可以将相对位置标定值和相对朝向标定值确定为第一激光雷达和第二激光雷达的相对位姿标定值。

上述激光雷达的标定方法，计算机设备对第一激光雷达和第二激光雷达的相对位置估计值和相对朝向估计值分别进行平均处理，获得相对位姿标定值，使得可以通过平均后的相对位姿标定值能更准确地表征第一激光雷达和第二激光雷达的相对位姿，提升激光雷达标定的准确性。

图4为另一个实施例中激光雷达的标定方法的流程示意图，本实施例涉及计算机设备获取相对朝向标定值的一种具体方式，在上述实施例的基础上，如图4所示，上述S202包括：

S301、将各个相对朝向估计值进行向量转换，生成每个相对朝向估计值对应的相对朝向估计向量。

具体地，计算机设备可以对各个相对朝向估计值进行向量转换，通过向量方式来表示相对朝向估计值，生成每个相对朝向估计值对应的相对朝向估计向量。例如，相对朝向估计值为m_n+x_ni+y_nj+z_nk时，可以转换为向量(m_n,x_n,y_n,z_n)。

S302、将所有相对朝向估计向量进行组合，获得相对朝向估计矩阵。

进一步地，计算机设备可以对所有的相对朝向估计向量进行组合，获得相对朝向估计矩阵，例如计算机设备获得的相对朝向估计值包括100个扫描时刻的拼接点云对应的100个相对朝向估计值，那么可以通过向量转换获得100个相对朝向估计向量；通过对获得的100个相对朝向估计向量进行组合，可以得到相对朝向估计矩阵，比如相对朝向估计向量为(m_n,x_n,y_n,z_n)时，可以进行组合得到矩阵维度4*100的相对朝向估计矩阵。

S303、对相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量，并将平均向量确定为相对朝向标定值。

计算机设备在获取上述相对朝向估计矩阵的基础上，可以对相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量。

具体地，计算机设备可以计算相对朝向估计矩阵的转置矩阵，并将相对朝向估计矩阵与相对朝向估计矩阵的转置矩阵相乘，获得相对朝向对称矩阵；然后，对相对朝向对称矩阵进行特征分解，获得相对朝向对称矩阵的各个特征值以及每个特征值对应的特征向量；最后，将各个特征值中最大特征值对应的特征向量确定为相对朝向估计向量的平均向量。

在上述步骤基础上，计算机设备可以将上述平均向量确定为第一激光雷达和第二激光雷达的相对朝向标定值。

上述激光雷达的标定方法，由于通过向量表示的相对朝向估计值的各个参数之间存在互相耦合，计算机设备通过矩阵转换的方式获取相对朝向估计向量的平均向量，可以更准确地表征第一激光雷达和第二激光雷达的相对朝向，使得标定结果更准确。

在一个实施例中，计算机设备在获取第一点云数据和第二点云数据时，可以获取车辆按照预设路线行驶时，第一激光雷达和第二激光雷达分别对标定场景进行扫描获得的第一点云数据和第二点云数据；其中，预设路线包含车辆转弯路线。

由于第一激光雷达和第二激光雷达所在车辆在标定场景中，使得第一激光雷达和第二激光雷达采集到的第一点云数据和第二点云数据更得到更准确的相对位姿标定值；进一步地，车辆按照预设的路线进行行驶时，可以使第一激光雷达和第二激光雷达采集到的第一点云数据和第二点云数据更具有多样性，进一步提升相对位姿标定值的准确性。

图5为另一个实施例中激光雷达的标定方法的流程示意图，本实施例涉及计算机设备对第一点云数据和第二点云数据进行按帧拆解的一种具体方式，在上述实施例的基础上，如图5所示，上述S102包括：

S401、分别对第一点云数据和第二点云数据进行采样处理，获取第一采样点云数据和第二采样点云数据。

当第一激光雷达和第二激光雷达扫描时间较长，或者场景中包含的路段较多时，计算机设备获取的第一点云数据和第二点云数据的数据量比较大，因此，计算机设备可以分别对第一点云数据和第二点云数据进行采样处理，提取部分点云数据来进行下一步的处理，获取第一采样点云数据和第二采样点云数据。具体地，计算机设备在进行采样处理时，可以对第一点云数据和第二点云数据进行随机采样；也可以设定等间隔采样周期，对第一点云数据和第二点云数据进行周期采样；另外，当场景中包含多个路段时，计算机设备还可以根据每个路段对应的扫描时间段，在每个扫描时间段中提取部分数据，获得包含了每个路段的数据的第一采样点云数据和第二采样点云数据；对于上述采样处理方式在此不做限定。

S402、将第一采样点云数据和第二点云数据按帧拆解。

进一步地，计算机可以将第一采样点云数据和第二点云数据按帧拆解，上述按帧拆解方式与S102中的描述类似，在此不再赘述。

上述激光雷达的标定方法，计算机设备通过对第一点云数据和第二点云数据进行采样处理，可以减小标定过程中的数据量，释放计算机设备的计算资源，进一步提升标定效率。

上述实施例介绍了对车辆的两个激光雷达的标定方法，下面以两个实施例分别介绍车辆中包含至少三个激光雷达时的标定方法。

在一个实施例中，计算机设备可以将至少三个激光雷达中与其余激光雷达均具有重合扫描区域的激光雷达确定为第一激光雷达，依次将至少三个激光雷达中的剩余激光雷达分别确定为第二激光雷达。

例如，车辆中设置的激光雷达中，其中有一个激光雷达设置在车辆顶部，且与其余激光雷达均具有重合的扫描区域；计算机设备可以根据各个激光雷达的位置，将位于车辆顶部的激光雷达确定为第一激光雷达，然后依次将剩余的激光雷达分别确定为第二激光雷达，执行上述实施例中的激光雷达的标定方法，分别获取位于车辆顶部的激光雷达与其余激光雷达之间的相对位姿标定值。

上述激光雷达的标定方法，通过将其中一个激光雷达确定为第一激光雷达，依次与剩余激光雷达进行标定，可以自动获得多组相对位姿标定值，完成车辆上所有的激光雷达之间的标定到同一坐标系下，提升激光雷达的标定效率。

图6为另一个实施例中激光雷达的标定方法的流程示意图，本实施例涉及计算机设备对至少三个激光雷达进行标定的另一种具体方式，在上述实施例的基础上，如图6所示，上述方法还包括：

S501、根据至少三个激光雷达的扫描区域，设定至少三个激光雷达的标定顺序；标定顺序中相邻的两个激光雷达具有重合扫描区域。

具体地，计算机设备可以设定车辆上至少三个激光雷达之间的标定顺序，上述标定顺序中相邻的两个激光雷达之间具有重合扫描区域。计算机设备可以按照各个激光雷达的位置来确定标定顺序，也可以按照计算机设备中存储的各个激光雷达的扫描区域来确定标定顺序，在此不做限定。例如，车辆上的多个激光雷达在车身一周，计算机设备可以以车头的激光雷达为一号激光雷达L1，按照顺时针或者逆时针方向，依次确定其余激光雷达为L2、L3、L4等。

S502、基于标定顺序，依次将相邻的两个激光雷达确定为第一激光雷达和第二激光雷达。

由于上述标定顺序中的相邻两个激光雷达具有重合扫描区域，因此可以获取相邻两个激光雷达的相对位姿标定值，例如可以获得激光雷达L1和L2、L2和L3、L3和L4之间的相对位姿标定值，完成激光雷达的标定。

上述激光雷达的标定方法，计算机设备通过设定激光雷达的标定顺序，使得车辆上不具有与其余激光雷达均具有重合扫描区域的基准雷达时，也能完成车辆上激光雷达的标定。

应该理解的是，虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图7所示，提供了一种激光雷达的标定装置，包括：获取模块10、拆解模块20和处理模块30，其中：

获取模块10，用于获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；第一激光雷达和第二激光雷达设置在同一车辆上，且具有重合扫描区域。

拆解模块20，用于将第一点云数据和第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据。

处理模块30，用于对各个相对位姿估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位姿标定值。

在一个实施例中，相对位姿估计值包括第一激光雷达和第二激光雷达的相对位置估计值和相对朝向估计值；在上述实施例的基础上，如图8所示，上述处理模块30包括：

第一平均单元301，用于对各个相对位置估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位置标定值。

第二平均单元302，用于对各个相对朝向估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对朝向标定值。

确定单元303，用于将相对位置标定值和相对朝向标定值确定为相对位姿标定值。

在一个实施例中，在上述实施例的基础上，如图9所示，上述第二平均单元302包括：

转换子单元3021，用于将各个相对朝向估计值进行向量转换，生成每个相对朝向估计值对应的相对朝向估计向量；

组合子单元3022，用于将所有相对朝向估计向量进行组合，获得相对朝向估计矩阵。

处理子单元3023，用于对相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量，并将平均向量确定为相对朝向标定值。

在一个实施例中，当相对朝向估计值用四元数表示时，在上述实施例的基础上，上述处理子单元3023具体用于：计算相对朝向估计矩阵的转置矩阵，并将相对朝向估计矩阵与相对朝向估计矩阵的转置矩阵相乘，获得相对朝向对称矩阵；对相对朝向对称矩阵进行特征分解，获得相对朝向对称矩阵的各个特征值以及每个特征值对应的特征向量；将各个特征值中最大特征值对应的特征向量确定为相对朝向估计向量的平均向量。

在一个实施例中，上述拼接算法为正态分布变换NDT算法。

在一个实施例中，在上述实施例的基础上，上述获取模块10具体用于：获取车辆按照预设路线行驶时，第一激光雷达和第二激光雷达分别对标定场景进行扫描获得的第一点云数据和第二点云数据；预设路线包含车辆转弯路线。

在一个实施例中，在上述实施例的基础上，如图10所示，上述拆解模块20包括：

采样单元201，用于分别对第一点云数据和第二点云数据进行采样处理，获取第一采样点云数据和第二采样点云数据。

拆解单元202，用于将第一采样点云数据和第二点云数据按帧拆解。

在一个实施例中，上述车辆包含至少三个激光雷达时，在上述实施例的基础上，如图11所示，上述装置还包括：

确定模块40，用于将至少三个激光雷达中与其余激光雷达均具有重合扫描区域的激光雷达确定为第一激光雷达，依次将至少三个激光雷达中的剩余激光雷达分别确定为第二激光雷达。

在一个实施例中，上述车辆包含至少三个激光雷达时，在上述实施例的基础上，上述确定模块40还用于：根据至少三个激光雷达的扫描区域，设定至少三个激光雷达的标定顺序；标定顺序中相邻的两个激光雷达具有重合扫描区域；基于标定顺序，依次将相邻的两个激光雷达确定为第一激光雷达和第二激光雷达。

本申请实施例提供的激光雷达的标定装置，可以实现上述方法实施例，其实现原理和技术效果类似，在此不再赘述。

关于激光雷达的标定装置的具体限定可以参见上文中对于激光雷达的标定方法的限定，在此不再赘述。上述激光雷达的标定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储激光雷达的标定数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种激光雷达的标定方法。

本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

在一个实施例中，上述相对位姿估计值包括第一激光雷达和第二激光雷达的相对位置估计值和相对朝向估计值；处理器执行计算机程序时还实现以下步骤：对各个相对位置估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位置标定值；对各个相对朝向估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对朝向标定值；将相对位置标定值和相对朝向标定值确定为相对位姿标定值。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：将各个相对朝向估计值进行向量转换，生成每个相对朝向估计值对应的相对朝向估计向量；将所有相对朝向估计向量进行组合，获得相对朝向估计矩阵；对相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量，并将平均向量确定为相对朝向标定值。

在一个实施例中，当相对朝向估计值用四元数表示时，处理器执行计算机程序时还实现以下步骤：计算相对朝向估计矩阵的转置矩阵，并将相对朝向估计矩阵与相对朝向估计矩阵的转置矩阵相乘，获得相对朝向对称矩阵；对相对朝向对称矩阵进行特征分解，获得相对朝向对称矩阵的各个特征值以及每个特征值对应的特征向量；将各个特征值中最大特征值对应的特征向量确定为相对朝向估计向量的平均向量。

在一个实施例中，上述拼接算法为正态分布变换NDT算法。

在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取车辆按照预设路线行驶时，第一激光雷达和第二激光雷达分别对标定场景进行扫描获得的第一点云数据和第二点云数据；预设路线包含车辆转弯路线。

在一个实施例中，上述将第一点云数据和第二点云数据按帧拆解，处理器执行计算机程序时还实现以下步骤：分别对第一点云数据和第二点云数据进行采样处理，获取第一采样点云数据和第二采样点云数据；将第一采样点云数据和第二点云数据按帧拆解。

在一个实施例中，上述车辆包含至少三个激光雷达时，处理器执行计算机程序时还实现以下步骤：将至少三个激光雷达中与其余激光雷达均具有重合扫描区域的激光雷达确定为第一激光雷达，依次将至少三个激光雷达中的剩余激光雷达分别确定为第二激光雷达。

在一个实施例中，上述车辆包含至少三个激光雷达时，处理器执行计算机程序时还实现以下步骤：根据至少三个激光雷达的扫描区域，设定至少三个激光雷达的标定顺序；标定顺序中相邻的两个激光雷达具有重合扫描区域；基于标定顺序，依次将相邻的两个激光雷达确定为第一激光雷达和第二激光雷达。

本实施例提供的计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

在一个实施例中，上述相对位姿估计值包括第一激光雷达和第二激光雷达的相对位置估计值和相对朝向估计值；计算机程序被处理器执行时还实现以下步骤：对各个相对位置估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对位置标定值；对各个相对朝向估计值进行平均处理，获得第一激光雷达和第二激光雷达的相对朝向标定值；将相对位置标定值和相对朝向标定值确定为相对位姿标定值。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：将各个相对朝向估计值进行向量转换，生成每个相对朝向估计值对应的相对朝向估计向量；将所有相对朝向估计向量进行组合，获得相对朝向估计矩阵；对相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量，并将平均向量确定为相对朝向标定值。

在一个实施例中，当相对朝向估计值用四元数表示时，计算机程序被处理器执行时还实现以下步骤：计算相对朝向估计矩阵的转置矩阵，并将相对朝向估计矩阵与相对朝向估计矩阵的转置矩阵相乘，获得相对朝向对称矩阵；对相对朝向对称矩阵进行特征分解，获得相对朝向对称矩阵的各个特征值以及每个特征值对应的特征向量；将各个特征值中最大特征值对应的特征向量确定为相对朝向估计向量的平均向量。

在一个实施例中，上述拼接算法为正态分布变换NDT算法。

在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取车辆按照预设路线行驶时，第一激光雷达和第二激光雷达分别对标定场景进行扫描获得的第一点云数据和第二点云数据；预设路线包含车辆转弯路线。

在一个实施例中，上述将第一点云数据和第二点云数据按帧拆解，计算机程序被处理器执行时还实现以下步骤：分别对第一点云数据和第二点云数据进行采样处理，获取第一采样点云数据和第二采样点云数据；将第一采样点云数据和第二点云数据按帧拆解。

在一个实施例中，上述车辆包含至少三个激光雷达时，计算机程序被处理器执行时还实现以下步骤：将至少三个激光雷达中与其余激光雷达均具有重合扫描区域的激光雷达确定为第一激光雷达，依次将至少三个激光雷达中的剩余激光雷达分别确定为第二激光雷达。

在一个实施例中，上述车辆包含至少三个激光雷达时，计算机程序被处理器执行时还实现以下步骤：根据至少三个激光雷达的扫描区域，设定至少三个激光雷达的标定顺序；标定顺序中相邻的两个激光雷达具有重合扫描区域；基于标定顺序，依次将相邻的两个激光雷达确定为第一激光雷达和第二激光雷达。

本实施例提供的计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims

1.一种激光雷达的标定方法，其特征在于，所述方法包括：

获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；所述第一激光雷达和所述第二激光雷达设置在同一车辆上，且具有重合扫描区域；

将所述第一点云数据和所述第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，所述拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据；

对各个所述相对位姿估计值进行平均处理，获得所述第一激光雷达和所述第二激光雷达的相对位姿标定值。

2.根据权利要求1所述的方法，其特征在于，所述相对位姿估计值包括所述第一激光雷达和所述第二激光雷达的相对位置估计值和相对朝向估计值；所述对各个相对位姿估计值进行平均处理，获得所述第一激光雷达和所述第二激光雷达的相对位姿标定值，包括：

对各个相对位置估计值进行平均处理，获得所述第一激光雷达和所述第二激光雷达的相对位置标定值；

对各个相对朝向估计值进行平均处理，获得所述第一激光雷达和所述第二激光雷达的相对朝向标定值；

将所述相对位置标定值和所述相对朝向标定值确定为所述相对位姿标定值。

3.根据权利要求2所述的方法，其特征在于，所述对各个相对朝向估计值进行平均处理，获得所述第一激光雷达和所述第二激光雷达的相对朝向标定值，包括：

对所述相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量，并将所述平均向量确定为所述相对朝向标定值。

4.根据权利要求3所述的方法，其特征在于，当所述相对朝向估计值用四元数表示时，所述对所述相对朝向估计矩阵进行矩阵转换处理，获得所有相对朝向估计向量的平均向量，包括：

计算所述相对朝向估计矩阵的转置矩阵，并将所述相对朝向估计矩阵与所述相对朝向估计矩阵的转置矩阵相乘，获得相对朝向对称矩阵；

对所述相对朝向对称矩阵进行特征分解，获得所述相对朝向对称矩阵的各个特征值以及每个特征值对应的特征向量；

将所述各个特征值中最大特征值对应的特征向量确定为所述相对朝向估计向量的平均向量。

5.根据权利要求1所述的方法，其特征在于，所述拼接算法为正态分布变换NDT算法。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述场景为包含多个标定目标的标定场景；所述标定目标为包含直线段的扫描对象，所述多个标定目标中包含的多个直线段不共线。

7.根据权利要求6所述的方法，其特征在于，所述获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据，包括：

获取所述车辆按照预设路线行驶时，所述第一激光雷达和所述第二激光雷达分别对所述标定场景进行扫描获得的第一点云数据和第二点云数据；所述预设路线包含车辆转弯路线。

8.根据权利要求1所述的方法，其特征在于，所述将所述第一点云数据和所述第二点云数据按帧拆解，包括：

分别对所述第一点云数据和所述第二点云数据进行采样处理，获取第一采样点云数据和第二采样点云数据；

将所述第一采样点云数据和所述第二点云数据按帧拆解。

9.根据权利要求1所述的方法，其特征在于，所述车辆包含至少三个激光雷达时，所述方法还包括：

将所述至少三个激光雷达中与其余激光雷达均具有重合扫描区域的激光雷达确定为第一激光雷达，依次将所述至少三个激光雷达中的剩余激光雷达分别确定为第二激光雷达。

10.根据权利要求1所述的方法，其特征在于，所述车辆包含至少三个激光雷达时，所述方法还包括：

根据所述至少三个激光雷达的扫描区域，设定所述至少三个激光雷达的标定顺序；所述标定顺序中相邻的两个激光雷达具有重合扫描区域；

基于所述标定顺序，依次将相邻的两个激光雷达确定为第一激光雷达和第二激光雷达。

11.一种激光雷达的标定装置，其特征在于，所述装置包括：

获取模块，用于获取第一激光雷达和第二激光雷达分别对同一场景进行扫描获得的第一点云数据和第二点云数据；所述第一激光雷达和所述第二激光雷达设置在同一车辆上，且具有重合扫描区域；

拆解模块，用于将所述第一点云数据和所述第二点云数据按帧拆解，并根据预设拼接算法得到每个扫描时刻的拼接点云数据对应的相对位姿估计值；其中，所述拼接点云数据为对同一扫描时刻对应的第一点云帧与第二点云帧进行点云拼接后得到的点云数据；

处理模块，用于对各个相对位姿估计值进行平均处理，获得所述第一激光雷达和所述第二激光雷达的相对位姿标定值。

12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述方法的步骤。

13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。