CN110796707B - 标定参数计算方法、装置以及存储介质 - Google Patents
标定参数计算方法、装置以及存储介质 Download PDFInfo
- Publication number
- CN110796707B CN110796707B CN201910854115.XA CN201910854115A CN110796707B CN 110796707 B CN110796707 B CN 110796707B CN 201910854115 A CN201910854115 A CN 201910854115A CN 110796707 B CN110796707 B CN 110796707B
- Authority
- CN
- China
- Prior art keywords
- point
- points
- reference point
- adjacent
- sensor
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例公开了一种标定参数计算方法、装置以及存储介质；本发明实施例可以获取第一传感器的地理定位数据以及第二传感器的周边环境点云模型；对周边环境点云模型中的点进行点特征筛选，得到特征参考点；在周边环境点云模型中选取与特征参考点邻近的至少一个邻近点，得到特征参考点的邻近点集合；对特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的分布形状类型；基于特征参考点的邻近点集合的分布形状类型，计算特征参考点和特征参考点的邻近点集合之间的相对距离；根据相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数。本方案可以应用在自动驾驶领域，用于在自动驾驶场景下提升标定参数计算方法准确度。
Description
技术领域
本发明涉及计算机领域，具体涉及一种标定参数计算方法、装置以及存储介质。
背景技术
在图像测量过程以及机器视觉应用中，常常需要使用多个传感器进行联合测量与采集，然而，传感器由于系统设置以及放置位置的原因，不同传感器的坐标系可能不相同，且传感器与现实场景中的世界坐标系也可能不相同。为了使得传感器坐标系与现实场景中的世界坐标系相同，需要对建立传感器坐标系与现实场景中的世界坐标系之间的变换关系，即计算传感器的标定参数。
然而，目前标定参数计算方法准确性度。
发明内容
本发明实施例提供一种标定参数计算方法、装置以及存储介质，可以提升标定参数计算方法准确度。
本发明实施例提供一种标定参数计算方法，包括：
获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，所述周边环境点云模型由至少一个点组成；
对所述周边环境点云模型中的点进行点特征筛选，得到特征参考点；
在周边环境点云模型中选取与所述特征参考点邻近的至少一个邻近点，得到所述特征参考点的邻近点集合；
对所述特征参考点的邻近点集合进行分布形状分析，确定所述邻近点集合的分布形状类型；
基于所述特征参考点的邻近点集合的分布形状类型，计算所述特征参考点和所述特征参考点的邻近点集合之间的相对距离；
根据所述相对距离和地理定位数据计算所述第一传感器与所述第二传感器之间的标定参数。
本发明实施例还提供一种标定参数计算装置，包括：
获取单元，用于获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，所述周边环境点云模型由至少一个点组成；
筛选单元，用于对所述周边环境点云模型中的点进行点特征筛选，得到特征参考点；
邻近单元，用于在周边环境点云模型中选取与所述特征参考点邻近的至少一个邻近点，得到所述特征参考点的邻近点集合；
形状单元，用于对所述特征参考点的邻近点集合进行分布形状分析，确定所述邻近点集合的分布形状类型；
距离单元，用于基于所述特征参考点的邻近点集合的分布形状类型，计算所述特征参考点和所述特征参考点的邻近点集合之间的相对距离；
计算单元，用于根据所述相对距离和地理定位数据计算所述第一传感器与所述第二传感器之间的标定参数。
本发明实施例还提供一种存储介质，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行任一项权利要求所述的标定参数计算方法中的步骤。
本发明中可以获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，该周边环境点云模型由至少一个点组成；对周边环境点云模型中的点进行点特征筛选，得到特征参考点；在周边环境点云模型中选取与特征参考点邻近的至少一个邻近点，得到特征参考点的邻近点集合；对特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的分布形状类型；基于特征参考点的邻近点集合的分布形状类型，计算特征参考点和特征参考点的邻近点集合之间的相对距离；根据相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数
本发明在邻近点集合的分布形状类型与特征参考点对应的情况下，才会计算该邻近点集合和特征参考点之间的相对距离，从而使得计算得出的标定参数更加精确。由此，提升了标定参数计算方法的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的标定参数计算方法的场景示意图；
图2是本发明实施例提供的标定参数计算装置的结构示意图；
图3是本发明实施例提供的自动驾驶仪的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种标定参数计算方法、装置以及存储介质。
其中，该标定参数计算装置具体可以集成在电子设备中，该电子设备可以为终端，该终端可以为车载电子设备、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备。
其中，车载电子设备可以是自动驾驶仪、车载导航仪等设备。
以下分别进行详细说明。需说明的是，以下实施例的序号不作为对实施例优选顺序的限定。
在本实施例中，提供了一种标定参数计算方法，如图1所示，该标定参数计算方法的具体流程可以如下：
101、获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，周边环境点云模型由至少一个点组成。
其中，第一传感器为可以采集地理定位数据的传感器，或传感器系统。
比如，第一传感器可以为导航系统，例如全球定位系统(Global PositioningSystem，GPS)、北斗卫星导航系统(BeiDou Navigation Satellite System，BDS)、惯性测量单元(Inertial measurement unit，IMU)，等等。
比如，第一传感器还可以是由多个传感器构成的传组合导航系统，例如，由GPS和IMU组成的组合导航系统，等等。
其中，地理定位数据可以包括地图信息、经纬度信息、定位区域信息、自动驾驶仪的周围空间区域三维模型等信息。
其中，第二传感器为可以采集周边环境点云模型的激光雷达(Light detectionand ranging，Ladar)，比如，单线激光雷达和多线激光雷达。
其中，按照使用类型划分，可以分为机载和地面两大类，比如，机载激光雷达是一种安装在飞机上的机载激光探测和测距系统，可以量测地面物体的三维坐标。再比如，机载激光雷达是一种主动式对地观测系统，可以安装在车辆上。
激光雷达发射的激光脉冲可以部分地穿透遮挡物，从而之间获取测量区域的高精度三维数字环境模型，即周边环境点云模型。
其中，多线激光雷达的类型具有多种，比如，多线激光雷达可以分为8线激光雷达、16线激光雷达、32线激光雷达，等等。
其中，周边环境点云模型为一种数字表面模型(Digital Surface Model，DSM)的离散点表示，其中含有空间三维信息和激光强度信息。
102、对周边环境点云模型中的点进行点特征筛选，得到特征参考点。
其中，点特征筛选是指，筛选出具有特定特征的特征参考点。
其中，特征参考点具有多种类型，比如，特征参考点可以分为边特征参考点、面特征参考点和非特征参考点。
其中，边特征参考点是指在周边环境点云模型中组成边的点，这些点具有边特征；面特征参考点是指在周边环境点云模型中组成面的点，这些点具有面特征；非特征参考点是指在周边环境点云模型中既不组成面、又不组成边的点，这些点不具有边或面的特征。
在一些实施例中，周边环境点云模型可以包括至少一个局部点云模型，局部点云模型包括至少一个点，特征参考点包括边特征参考点和面特征参考点。为了挑选出具有边特征和面特征的点，步骤“周边环境点云模型中的点进行点特征筛选，得到特征参考点”，可以包括以下步骤：
对局部点云模型中的点进行曲率计算，得到点的曲率；
遍历对比局部点云模型中的点，得到局部点云模型中曲率最大的点与曲率最小的点；
将曲率最大的点确定为边特征参考点，以及将曲率最小的点确定为面特征参考点。
其中，局部点云模型可以是周边环境点云模型中预设好的局部点云模型，也可以根据本地内存中的预设范围或预设数值求出。
比如，在一些实施例中，也可以通过以下步骤求出：
获取预设范围；
获取周边环境点云模型的预设范围内的点，得到局部点云模型。
其中，曲率是指(curvature)针对曲线上某个点的切线方向角对弧长的转动率，其可以通过微分来定义，用于表明曲线偏离直线的程度，即曲线在某一点的弯曲程度的数值。
其中，针对局部点云模型中的点可以进行离散曲率计算，从而得到点的曲率。
比如，取某个区域内的n个最近邻点根据局部抛物面拟合公式：
z(x，y)＝Ax2+By2+Cxy+Dx+Ey+F
采用最小二乘法即可求出空间曲面函数的系数A、B、C、D、E、F。
103、在周边环境点云模型中选取在周边环境点云模型中选取与特征参考点邻近的至少一个邻近点，得到特征参考点的邻近点集合。
其中，与特征参考点邻近的邻近点是指，在距离上与特征参考点最邻近的前N个点，其中，N为大于1的正整数。
在一些实施例中，N可以取20，即在周边环境点云模型中选取在周边环境点云模型中选取与特征参考点最邻近的20个邻近点，得到特征参考点的邻近点集合。
104、对特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的分布形状类型。
其中，分布形状分析是指分析邻近点集合的分布形状，比如，邻近点集合可以以线形进行分布，也可以以面形进行分布，等等。
在一些实施例中，步骤104包括以下步骤：
对特征参考点的邻近点集合进行协方差计算，得到特征参考点的邻近点集合的协方差矩阵；
对协方差矩阵进行主成分分析处理，得到邻近点集合的奇异值；
基于邻近点集合的奇异值，确定邻近点集合的分布形状类型。
其中，协方差(Covariance)用于表示两个变量的总体误差，在本方案中，可以针对邻近点集合中点与点之间在不同方向上的距离进行协方差计算，来得到邻近点集合中点与点之间在不同方向上的距离误差。
其中，期望值分别为E[X]与E[Y]的两个实随机变量X与Y之间的协方差矩阵Cov(X,Y)定义如下：
Cov(X，Y)＝E[(X-E[X])*(Y-E[Y])]
其中，主成分分析处理(Principal Component Analysis，PCA)，是一种统计方法，用于考察多个变量间相关性。
PCA通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的该组变量叫主成分。
其中，奇异值分解(Singular Value Decomposition，SVD)可以用来计算矩阵的特征值(奇异值)和特征向量，对协方差矩阵进行主成分分析处理，得到邻近点集合的奇异值的步骤如下：
a.对协方差矩阵进行主成分分析处理，得到特征协方差矩阵；
b.求协方差阵的特征值和特征向量。
在一些实施例中，可以通过奇异值判断邻近点集合的是位于面上还是线上，故分布形状类型包括线分布类型和面分布类型，奇异值包括三个子奇异值，分别为X轴子奇异值、Y轴子奇异值、Z轴子奇异值，步骤“基于邻近点集合的奇异值，确定邻近点集合的分布形状类型”包括以下步骤：
对三个子奇异值进行数值大小对比，在三个子奇异值中确定最大子奇异值、次大子奇异值和最小子奇异值；
获取第一阈值、第二阈值和第三阈值；
计算最大子奇异值与次大子奇异值之间的差值，以及次大子奇异值与最小子奇异值之间的差值；
当最大子奇异值与次大子奇异值之间的差值大于第一阈值时，将邻近点集合的分布形状类型确定为线分布类型；
当最大子奇异值与次大子奇异值之间的差值小于第二阈值，且次大子奇异值与最小子奇异值之间的差值大于第三阈值时，将邻近点集合的分布形状类型确定为面分布类型。
其中，第一阈值、第二阈值和第三阈值可以由开发人员设定。
比如，如果最大的特征值远大于另外两个特征值则邻近点集合是线状分布；如果两个比较大的奇异值接近，并且都远大于最小的特征值，那么邻近点集合是面状分布。
在一些实施例中，为了提高计算效率，步骤“当最大子奇异值与次大子奇异值之间的差值大于第一阈值时，将邻近点集合的分布形状类型确定为线分布类型”之后，还可以包括以下步骤：
将最大子奇异值对应的奇异向量确定为邻近点集合的线分布法向量。
在步骤“当最大子奇异值与次大子奇异值之间的差值小于第二阈值，且次大子奇异值与最小子奇异值之间的差值大于第三阈值时，将邻近点集合的分布形状类型确定为面分布类型”之后，还可以包括以下步骤：
将最小子奇异值对应的奇异向量确定为邻近点集合的面分布法向量。
此时，105可以包括以下步骤：
根据线分布法向量、面分布法向量、相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数。
在一些实施例中，地理定位数据可以包括多个地理定位点，以及地理定位点的定位点法向量，故步骤“根据线分布法向量、面分布法向量、相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数”可以包括以下步骤：
在多个地理定位点中确定参考点对应的参考地理定位点；
基于参考地理定位点的定位点法向量和线分布法向量、面分布法向量进行向量相乘，得到相对矩阵；
对相对矩阵进行奇异值分解，得到第一传感器与第二传感器之间的标定参数。
其中，设定位点法向量为I，线分布法向量为W1、面分布法向量W2，相对矩阵如下：
H＝I*W1或H＝I*W2
对H进行奇异值分解后可以得到旋转矩阵R，即标定参数之一。
105、基于特征参考点的邻近点集合的分布形状类型，计算特征参考点和特征参考点的邻近点集合之间的相对距离。
在一些实施例中，分布形状类型可以包括线分布类型和面分布类型，特征参考点可以包括边特征参考点、面特征参考点；步骤105可以包括以下步骤：
当边特征参考点的邻近点集合的分布形状类型为面分布类型时，计算边特征参考点和邻近点集合之间的相对距离；
当面特征参考点的邻近点集合的分布形状类型为面分布类型时，计算面特征参考点和邻近点集合之间的相对距离。
106、根据相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数。
比如，在一些实施例中，地理定位数据可以包括多个地理定位点；步骤106可以包括以下步骤：
在多个地理定位点中确定参考点对应的参考地理定位点；
基于相对距离建立参考点和参考地理定位点的代价函数；
对代价函数进行优化处理直至代价参数收敛，得到第一传感器与第二传感器之间的标定参数。
其中，代价函数如下：
其中，Ax0+By0+Cz0+D可以为边、面在坐标轴上的表示。
在一些实施例中，本方案可以用于自动驾驶的场景下，仅需要采集一段时间的周边环境点云模型，以及地理定位数据，就可以通过筛选出具有边特征的参考点和面特征的参考点，并根据边特征参考点及其对应的边邻近点集合，以及根据面特征参考点及其对应的面邻近点集合，就可以计算出第一传感器与第二传感器之间的标定参数，从而提高了标定参数精确度。以及，在筛选参考点的过程中，可以丢弃周边环境点云模型中不需要计算的点，从而降低了计算量，由此提高了标定参数的计算效率。
由上可知，本发明实施例可以获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，周边环境点云模型由至少一个点组成；对周边环境点云模型中的点进行点特征筛选，得到特征参考点；在周边环境点云模型中选取与特征参考点邻近的至少一个邻近点，得到特征参考点的邻近点集合；对特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的分布形状类型；基于特征参考点的邻近点集合的分布形状类型，计算特征参考点和特征参考点的邻近点集合之间的相对距离；根据相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数。本方案在邻近点集合的分布形状类型与特征参考点对应的情况下，才会计算该邻近点集合和特征参考点之间的相对距离，从而使得计算得出的标定参数更加精确。由此，本方案提升了标定参数计算方法的准确度。
为了更好地实施以上方法，本发明实施例还提供一种标定参数计算装置，该标定参数计算装置具体可以集成在电子设备中，该电子设备可以为终端，该终端可以为车载电子设备、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备。其中，车载电子设备可以是自动驾驶仪、车载导航仪等设备。
比如，在本实施例中，将以标定参数计算装置集成在自动驾驶仪中为例，对本发明实施例的方法进行详细说明。
例如，如图2所示，该标定参数计算装置可以包括获取单元201、筛选单元202、邻近单元203、形状单元204、距离单元205以及计算单元206如下：
(一)获取单元201：
获取单元201，用于获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，周边环境点云模型由至少一个点组成。
(二)筛选单元202：
筛选单元202，用于对周边环境点云模型中的点进行点特征筛选，得到特征参考点。
在一些实施例中，周边环境点云模型可以包括至少一个局部点云模型，局部点云模型可以包括至少一个点，特征参考点可以包括边特征参考点和面特征参考点；筛选单元202具体可以用于：
对局部点云模型中的点进行曲率计算，得到点的曲率；
遍历对比局部点云模型中的点，得到局部点云模型中曲率最大的点与曲率最小的点；
将曲率最大的点确定为边特征参考点，以及将曲率最小的点确定为面特征参考点。
(三)邻近单元203：
邻近单元203，用于在周边环境点云模型中选取与特征参考点邻近的至少一个邻近点，得到特征参考点的邻近点集合。
(四)形状单元204：
形状单元204，用于对特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的分布形状类型。
在一些实施例中，对特征参考点的邻近点集合进行分布形状分析，形状单元204可以包括协方差子单元、奇异值子单元以及形状子单元，如下：
协方差子单元，用于对特征参考点的邻近点集合进行协方差计算，得到特征参考点的邻近点集合的协方差矩阵；
奇异值子单元，用于对协方差矩阵进行主成分分析处理，得到邻近点集合的奇异值；
形状子单元，用于基于邻近点集合的奇异值，确定邻近点集合的分布形状类型。
在一些实施例中，分布形状类型可以包括线分布类型和面分布类型；奇异值可以包括三个子奇异值；奇异值子单元可以用于：
对三个子奇异值进行数值大小对比，在三个子奇异值中确定最大子奇异值、次大子奇异值和最小子奇异值；
获取第一阈值、第二阈值和第三阈值；
计算最大子奇异值与次大子奇异值之间的差值，以及次大子奇异值与最小子奇异值之间的差值；
当最大子奇异值与次大子奇异值之间的差值大于第一阈值时，将邻近点集合的分布形状类型确定为线分布类型；
当最大子奇异值与次大子奇异值之间的差值小于第二阈值，且次大子奇异值与最小子奇异值之间的差值大于第三阈值时，将邻近点集合的分布形状类型确定为面分布类型。
(五)距离单元205：
距离单元205，用于基于特征参考点的邻近点集合的分布形状类型，计算特征参考点和特征参考点的邻近点集合之间的相对距离。
在一些实施例中，分布形状类型可以包括线分布类型和面分布类型，特征参考点可以包括边特征参考点、面特征参考点；距离单元205具体可以用于：
当边特征参考点的邻近点集合的分布形状类型为面分布类型时，计算边特征参考点和邻近点集合之间的相对距离；
当面特征参考点的邻近点集合的分布形状类型为面分布类型时，计算面特征参考点和邻近点集合之间的相对距离。
(六)计算单元206：
计算单元206，用于根据相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数。
在一些实施例中，地理定位数据可以包括多个地理定位点；
计算单元206具体可以用于：
在多个地理定位点中确定参考点对应的参考地理定位点；
基于相对距离建立参考点和参考地理定位点的代价函数；
对代价函数进行优化处理直至代价参数收敛，得到第一传感器与第二传感器之间的标定参数。
具体实施时，以上各个单元可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
由上可知，本实施例的标定参数计算装置由获取单元获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，周边环境点云模型由至少一个点组成；由筛选单元对周边环境点云模型中的点进行点特征筛选，得到特征参考点；由邻近单元在周边环境点云模型中选取与特征参考点邻近的至少一个邻近点，得到特征参考点的邻近点集合；由形状单元对特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的分布形状类型；由距离单元基于特征参考点的邻近点集合的分布形状类型，计算特征参考点和特征参考点的邻近点集合之间的相对距离；由计算单元根据相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数。由此，本方案可以提高标定参数计算方法的准确度。
本发明实施例还提供一种车载电子设备，该车载电子设备可以为终端，该终端可以为自动驾驶仪、手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(PersonalComputer，PC)等设备。
在本实施例中，将以本实施例的车载电子设备是自动驾驶仪为例进行详细描述，比如，如图3所示，其示出了本发明实施例所涉及的自动驾驶仪的结构示意图，具体来讲：
该自动驾驶仪可以包括一个或者一个以上处理核心的处理器301、一个或一个以上计算机可读存储介质的存储器302、电源303、输入模块304以及通信模块305等部件。本领域技术人员可以理解，图3中示出的自动驾驶仪结构并不构成对自动驾驶仪的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器301是该自动驾驶仪的控制中心，利用各种接口和线路连接整个自动驾驶仪的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行自动驾驶仪的各种功能和处理数据，从而对自动驾驶仪进行整体监控。在一些实施例中，处理器301可包括一个或多个处理核心；在一些实施例中，处理器301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。
存储器302可用于存储软件程序以及模块，处理器301通过运行存储在存储器302的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据自动驾驶仪的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器302还可以包括存储器控制器，以提供处理器301对存储器302的访问。
自动驾驶仪还包括给各个部件供电的电源303，在一些实施例中，电源303可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该自动驾驶仪还可包括输入模块304，该输入模块304可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
该自动驾驶仪还可以包括导航定位系统305，自动驾驶仪可以通过该导航定位系统305获取地理定位数据。在一些实施例中，导航定位系统305可以由接收天线等组成。
该自动驾驶仪还可以包括多线激光雷达306，自动驾驶仪可以通过该多线激光雷达306获取周边环境点云模型。在一些实施例中，多线激光雷达306可以由单束窄带激光器和接收系统等组成。该激光器可以产生并发射一束光脉冲，打在物体上并反射回来，最终可以被接收器所接收。该接收器可以测量光脉冲从发射到被反射回的传播时间。
尽管未示出，自动驾驶仪还可以包括显示单元等，在此不再赘述。具体在本实施例中，自动驾驶仪中的处理器301会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中，并由处理器301来运行存储在存储器302中的应用程序，从而实现各种功能，如下：
获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，周边环境点云模型由至少一个点组成；
对周边环境点云模型中的点进行点特征筛选，得到特征参考点；
在周边环境点云模型中选取与特征参考点邻近的至少一个邻近点，得到特征参考点的邻近点集合；
对特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的分布形状类型；
基于特征参考点的邻近点集合的分布形状类型，计算特征参考点和特征参考点的邻近点集合之间的相对距离；
根据相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
由上可知，本方案可以提高标定参数计算方法的准确度。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种标定参数计算方法中的步骤。例如，该指令可以执行如下步骤：
获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，周边环境点云模型由至少一个点组成；
对周边环境点云模型中的点进行点特征筛选，得到特征参考点；
在周边环境点云模型中选取与特征参考点邻近的至少一个邻近点，得到特征参考点的邻近点集合；
对特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的分布形状类型；
基于特征参考点的邻近点集合的分布形状类型，计算特征参考点和特征参考点的邻近点集合之间的相对距离；
根据相对距离和地理定位数据计算第一传感器与第二传感器之间的标定参数。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种标定参数计算方法中的步骤，因此，可以实现本发明实施例所提供的任一种标定参数计算方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本发明实施例所提供的一种标定参数计算方法、装置以及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种标定参数计算方法，其特征在于，包括：
获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，所述周边环境点云模型由至少一个点组成；
对所述周边环境点云模型中的点进行点特征筛选，得到特征参考点；
在周边环境点云模型中选取与所述特征参考点邻近的至少一个邻近点，得到所述特征参考点的邻近点集合；
对所述特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的协方差和奇异值；
基于所述协方差和所述奇异值，确定所述邻近点集合的分布形状类型；
基于所述特征参考点的邻近点集合的分布形状类型，计算所述特征参考点和所述特征参考点的邻近点集合之间的相对距离；
根据所述相对距离和地理定位数据计算所述第一传感器与所述第二传感器之间的标定参数。
2.如权利要求1所述的标定参数计算方法，其特征在于，对所述特征参考点的邻近点集合进行分布形状分析，确定所述邻近点集合的分布形状类型，包括：
对所述特征参考点的邻近点集合进行协方差计算，得到所述特征参考点的邻近点集合的协方差矩阵；
对所述协方差矩阵进行主成分分析处理，得到所述邻近点集合的奇异值；
基于所述邻近点集合的奇异值，确定所述邻近点集合的分布形状类型。
3.如权利要求2所述的标定参数计算方法，其特征在于，所述分布形状类型包括线分布类型和面分布类型；所述奇异值包括三个子奇异值；
基于所述邻近点集合的奇异值，确定所述邻近点集合的分布形状类型，包括：
对所述三个子奇异值进行数值大小对比，在所述三个子奇异值中确定最大子奇异值、次大子奇异值和最小子奇异值；
获取第一阈值、第二阈值和第三阈值；
计算所述最大子奇异值与次大子奇异值之间的差值，以及所述次大子奇异值与最小子奇异值之间的差值；
当所述最大子奇异值与次大子奇异值之间的差值大于第一阈值时，将所述邻近点集合的分布形状类型确定为线分布类型；
当所述最大子奇异值与次大子奇异值之间的差值小于第二阈值，且所述次大子奇异值与最小子奇异值之间的差值大于第三阈值时，将所述邻近点集合的分布形状类型确定为面分布类型。
4.如权利要求3所述的标定参数计算方法，其特征在于，当所述最大子奇异值与次大子奇异值之间的差值大于第一阈值时，将所述邻近点集合的分布形状类型确定为线分布类型之后，还包括：
将所述最大子奇异值对应的奇异向量确定为所述邻近点集合的线分布法向量；
当所述最大子奇异值与次大子奇异值之间的差值小于第二阈值，且所述次大子奇异值与最小子奇异值之间的差值大于第三阈值时，将所述邻近点集合的分布形状类型确定为面分布类型之后，还包括：
将所述最小子奇异值对应的奇异向量确定为所述邻近点集合的面分布法向量；
所述根据所述相对距离和地理定位数据计算所述第一传感器与所述第二传感器之间的标定参数，包括：
根据所述线分布法向量、面分布法向量、相对距离和地理定位数据计算所述第一传感器与所述第二传感器之间的标定参数。
5.如权利要求4所述的标定参数计算方法，其特征在于，所述地理定位数据包括多个地理定位点，以及所述地理定位点的定位点法向量；
根据所述线分布法向量、面分布法向量、相对距离和地理定位数据计算所述第一传感器与所述第二传感器之间的标定参数，包括：
在所述多个地理定位点中确定参考点对应的参考地理定位点；
基于所述参考地理定位点的定位点法向量和所述线分布法向量、面分布法向量进行向量相乘，得到相对矩阵；
对所述相对矩阵进行奇异值分解，得到第一传感器与所述第二传感器之间的标定参数。
6.如权利要求1所述的标定参数计算方法，其特征在于，所述地理定位数据包括多个地理定位点；
根据所述相对距离和地理定位数据计算所述第一传感器与所述第二传感器之间的标定参数，包括：
在所述多个地理定位点中确定参考点对应的参考地理定位点；
基于相对距离建立所述参考点和参考地理定位点的代价函数；
对所述代价函数进行优化处理直至代价参数收敛，得到所述第一传感器与所述第二传感器之间的标定参数。
7.如权利要求1所述的标定参数计算方法，其特征在于，所述分布形状类型包括线分布类型和面分布类型，所述特征参考点包括边特征参考点、面特征参考点；
基于所述特征参考点的邻近点集合的分布形状类型，计算所述特征参考点和所述特征参考点的邻近点集合之间的相对距离，包括：
当所述边特征参考点的邻近点集合的分布形状类型为面分布类型时，计算所述边特征参考点和所述邻近点集合之间的相对距离；
当所述面特征参考点的邻近点集合的分布形状类型为面分布类型时，计算所述面特征参考点和所述邻近点集合之间的相对距离。
8.如权利要求1所述的标定参数计算方法，其特征在于，所述周边环境点云模型包括至少一个局部点云模型，所述局部点云模型包括至少一个点，所述特征参考点包括边特征参考点和面特征参考点；
对所述周边环境点云模型中的点进行点特征筛选，得到特征参考点，包括：
对所述局部点云模型中的点进行曲率计算，得到所述点的曲率；
遍历对比所述局部点云模型中的点，得到所述局部点云模型中曲率最大的点与曲率最小的点；
将所述曲率最大的点确定为边特征参考点，以及将所述曲率最小的点确定为面特征参考点。
9.一种标定参数计算装置，其特征在于，包括：
获取单元，用于获取第一传感器的地理定位数据，以及第二传感器的周边环境点云模型，所述周边环境点云模型由至少一个点组成；
筛选单元，用于对所述周边环境点云模型中的点进行点特征筛选，得到特征参考点；
邻近单元，用于在周边环境点云模型中选取与所述特征参考点邻近的至少一个邻近点，得到所述特征参考点的邻近点集合；
形状单元，用于对所述特征参考点的邻近点集合进行分布形状分析，确定邻近点集合的协方差和奇异值；基于所述协方差和所述奇异值，确定所述邻近点集合的分布形状类型；
距离单元，用于基于所述特征参考点的邻近点集合的分布形状类型，计算所述特征参考点和所述特征参考点的邻近点集合之间的相对距离；
计算单元，用于根据所述相对距离和地理定位数据计算所述第一传感器与所述第二传感器之间的标定参数。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1～8任一项所述的标定参数计算方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910854115.XA CN110796707B (zh) | 2019-09-10 | 2019-09-10 | 标定参数计算方法、装置以及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910854115.XA CN110796707B (zh) | 2019-09-10 | 2019-09-10 | 标定参数计算方法、装置以及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110796707A CN110796707A (zh) | 2020-02-14 |
| CN110796707B true CN110796707B (zh) | 2022-05-06 |
Family
ID=69427163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910854115.XA Active CN110796707B (zh) | 2019-09-10 | 2019-09-10 | 标定参数计算方法、装置以及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110796707B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112435333B (zh) * | 2020-10-14 | 2022-03-15 | 腾讯科技（深圳）有限公司 | 一种道路场景的生成方法以及相关装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6608913B1 (en) * | 2000-07-17 | 2003-08-19 | Inco Limited | Self-contained mapping and positioning system utilizing point cloud data |
| CN105423915A (zh) * | 2015-11-16 | 2016-03-23 | 天津师范大学 | 用于地面激光扫描数据配准的平面靶标的精确定位方法 |
| CN108875804A (zh) * | 2018-05-31 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 一种基于激光点云数据的数据处理方法和相关装置 |
| CN110146910A (zh) * | 2019-05-15 | 2019-08-20 | 重庆大学 | 一种基于gps与激光雷达数据融合的定位方法及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180088234A1 (en) * | 2016-09-27 | 2018-03-29 | Carnegie Mellon University | Robust Localization and Localizability Prediction Using a Rotating Laser Scanner |
| EP3451291B1 (en) * | 2017-09-01 | 2020-08-26 | Tata Consultancy Services Limited | System and method for shape constrained 3d point cloud registration |
| US10691129B2 (en) * | 2018-01-31 | 2020-06-23 | Baidu Usa Llc | Dynamically adjustable reference line sampling point density for autonomous vehicles |
-
2019
- 2019-09-10 CN CN201910854115.XA patent/CN110796707B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6608913B1 (en) * | 2000-07-17 | 2003-08-19 | Inco Limited | Self-contained mapping and positioning system utilizing point cloud data |
| CN105423915A (zh) * | 2015-11-16 | 2016-03-23 | 天津师范大学 | 用于地面激光扫描数据配准的平面靶标的精确定位方法 |
| CN108875804A (zh) * | 2018-05-31 | 2018-11-23 | 腾讯科技（深圳）有限公司 | 一种基于激光点云数据的数据处理方法和相关装置 |
| CN110146910A (zh) * | 2019-05-15 | 2019-08-20 | 重庆大学 | 一种基于gps与激光雷达数据融合的定位方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 《非专业弱关联影像构建三维GIS研究》;刘颖真;《测绘科学技术学报》;20141231;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110796707A (zh) | 2020-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107340522B (zh) | 一种激光雷达定位的方法、装置及系统 | |
| US9681269B2 (en) | Positioning accuracy using 3D building models | |
| CN110501712B (zh) | 无人驾驶中用于确定位置姿态数据的方法、装置和设备 | |
| US10386497B2 (en) | Automated localization for GNSS device | |
| CN110889808B (zh) | 一种定位的方法、装置、设备及存储介质 | |
| CN111559372B (zh) | 一种泊车系统的车位检测性能的评价方法和电子设备 | |
| EP2312330A1 (en) | Graphics-aided remote position measurement with handheld geodesic device | |
| CN105704652B (zh) | 一种wlan/蓝牙定位中的指纹库采集和优化方法 | |
| EP2458405A1 (en) | Graphics-aided remote position measurement with handheld geodesic device | |
| CN109982398B (zh) | 室内外无缝定位方法、装置、设备及介质 | |
| CN111352434B (zh) | 支持接近机场的机场跑道的飞机的设备及方法 | |
| KR101996623B1 (ko) | Gps 궤적 품질 지표를 이용한 고정밀 지도 데이터 구축 방법 및 시스템 | |
| CN110764111A (zh) | 雷达坐标与大地坐标的转换方法、装置、系统及介质 | |
| CN111007485B (zh) | 一种图像处理方法、装置、以及计算机存储介质 | |
| US10754045B2 (en) | Clustering GNSS data | |
| CN109937341A (zh) | 自己的位置的估计 | |
| CN109708643B (zh) | 小行星表面光学导航路标评价选取方法 | |
| KR20140139968A (ko) | 위성 항법 시스템의 수신기를 위해 추적 위성 부분 집합을 선택하는 방법, 그리고 그것을 이용하는 수신기, 시스템, 및 장치 | |
| US20170293032A1 (en) | Up sampling reference station data | |
| CN113220018A (zh) | 一种无人机路径规划方法、装置、存储介质及电子设备 | |
| CN110796707B (zh) | 标定参数计算方法、装置以及存储介质 | |
| CN115825067A (zh) | 一种基于无人机的地质信息采集方法、系统及电子设备 | |
| WO2016064631A1 (en) | Mitigating effects of multipath during position computation | |
| CN113252025A (zh) | 一种定位检测方法、装置、电子设备及存储介质 | |
| CN115235440B (zh) | 一种林分郁闭度测量方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |