CN110850394B - 一种自动驾驶激光雷达强度标定方法 - Google Patents

Abstract

本发明涉及一种自动驾驶激光雷达强度标定方法，包括如下的步骤：1)采集数据，2)点云位姿优化，3)提取路面点云数据，形成一个点云集合R；4)求出每条线的高斯参数，5)将每条线的强度值映射到同一个高斯分布上，6)将原始的点云强度按照该映射表进行强度转换，得到强度矫正后的点云，从而实现对激光雷达强度标定。相比于传统的基于模型的方法，该方法的优势在于无监督、无参数以及计算简单。

Description

一种自动驾驶激光雷达强度标定方法

技术领域

本发明属于机动车自动驾驶领域，尤其是一种自动驾驶激光雷达强度标定方法。

背景技术

近一个多世纪来，汽车的出现取代了传统交通运输方式，使得人们的生活更为便捷。近些年来，随着科技的发展，尤其是智能计算的飞速发展，自动驾驶汽车技术研究成为各行业聚焦的热点。麦肯锡发布的“决定未来经济的12项前沿技术”报告探讨了12项前沿技术对未来经济、社会的影响程度，分析估测了2025年12项技术各自的经济与社会影响力，其中自动驾驶汽车技术排在第6位，其2025年影响力估测为：经济效益每年约0.2-1.9万亿美元，社会效益每年可挽回3-15万个生命。

近些年来，激光雷达由于其精度高，丰富的三维点云结构信息，被越来越多的开发者应用在自动驾驶技术中。激光雷达所提供的三维点云数据被广泛的应用在高精度地图的构建、定位以及检测中。目前市面上有多种不同的激光雷达，包括8线、16线、32线、64线甚至128线的。因为激光雷达的反射值不仅和材质有关，还和激光的入射角度、距离有关，而且每条线之间又由于其各自独立的物理结构的原因，使得同一种材质对不同的线会产生不同的强度反射值。仅仅靠出厂的雷达标定文件在自动驾驶中远远不能够满足需求，如图1是一帧32线的激光雷达点云图片，图中虚线框内是路面，从图中可以看到不同的线对于同一种材质路面的反射强度是不同的，例如a,b,c处的强度值比n处的强度反射值大。三维激光点云强度特征在自动驾驶技术中，尤其是在建图和定位中又有很大的重要性，所以要想更好的利用激光雷达做好建图和定位，就必须要解决激光雷达的不同线之间的强度标定问题。

基于此，特提出本发明。

发明内容

为了解决现有技术中存在的上述问题，本发明的目的是提供一种自动驾驶激光雷达强度标定方法，能够达到激光雷达不同线对于同一种材质的反射强度基本一致的效果。

本发明的理论依据是，不同线的激光对于同样的材质，其所对应的反射值应该基本相同，而对于材质之外的其他影响反射强度值的因素无关，本发明的方法是将每条线对于同一路面区域的强度分布假设为一个高斯分布，然后把所有的线的高斯分布统一映射到一个设定的高斯分布上。这样，就可以解决不同线之间的强度分布不同的问题。

本发明的技术方案为：一种自动驾驶激光雷达强度标定方法，包括如下的步骤：

1)采集数据：获得激光雷达录取的若干帧点云数据；

2)点云位姿优化：将步骤1)中获得的所有的点云数据经过slam处理，得出每一帧的优化后的位姿；

3)提取路面点云数据：根据每一帧的位姿，以及车和激光雷达的位置关系，提取所有车轨迹覆盖过的点云，形成一个点云集合R；

4)求出每条线的高斯参数：对于点云集合R，计算每条线所对应的强度均值和标准差；

5)将每条线的强度值映射到同一个高斯分布上：将每条线的强度值所对应的高斯分布，映射到一个设定的高斯分布上，获得映射表；

6)将原始的点云强度按照该映射表进行强度转换，得到强度矫正后的点云，从而实现对激光雷达强度标定。

进一步地，步骤4)中点云集合R的形成方法如下：通过公式(1)，把每一帧点云数据的每个点的坐标转换到世界坐标系下，

P^g _i(x_k,y_k,z_k)＝T_i*P^l _i(x_k,y_k,z_k) (1)

其中，T_i表示第i帧从局部到世界坐标系的转换矩阵，P^l _i(x,y,z)表示第i帧点云的第k个点的局部坐标，P^g _i(x,y,z)表示第i帧点云第k个点对应的世界坐标系下的坐标；

对于第i帧的每个点所对应的世界坐标坐标P^g _i(x_k,y_k,z_k)，利用kd树找到距离该点最近的位姿T_nearest，然后根据车的尺寸、位姿、与车之间的相对位置信息，计算车体的左上角、左下角、右上角、右下角四个点在世界坐标系下的坐标，设这四个点依次是lt,lb,rt,rb，判断该点是否在上面四个点所围成的矩形范围内，如果在其内，并且该点是属于地面点云，就将该点提取出来，形成点云集合R＝[p0,p1,p2,…,pm]，其中p0～pm为若干地面点。

进一步地，所述步骤5)中，设定第i条线的均值和标准差为(m_i,σ_i)，设定的高斯参数是(m,σ)，利用公式(2)生成第i条线所对应的反射值为j时的矫正值，

其中，Ci(j)是第i线原始强度值为j时对应的矫正后的值，i是激光雷达线的标号，j是强度值大小，j～[0,255]。

进一步地，所述步骤5)中，在给定设定均值的情况下，采用公式(4)来获取所在路面非地面标线的强度上限，

Intensit(i)_upper＝mi+s*σi (4)

其中，s是概率对应的标准差的值，通过公式(3)来表示，s：P(z＜p) (3)，可以通过查z值表得到；p是根据点云集合R计算的路面非车道线点的先验概率。

进一步地，通过公式(5)得到所需要设定的标准差的值，

(Intensity(i)_upper-mi)σi*σ+m＝2m (5)

其中，Intensity(i)_upper是第i条线计算出来的路面非标线点的强度值上限。

本发明的优点如下：

1、通过强度矫正，有效的解决激光雷达对于同一地面材质，给出反射值强度不一致的问题。

2、通过限定路面非标线点强度值上限，有效地提高了路面信息的强度分辨率。

对于任意的激光雷达采集的数据，都可以采用本发明的一种自动驾驶激光雷达强度标定方法进行矫正。相比于传统的基于模型的方法，该方法的优势还在于无监督，无参数，计算简单等优点。

附图说明

图1是现有技术中的32线激光雷达单帧点云图片。

图2是本发明激光雷达强度标定流程图。

图3是本发明激光雷达强度标定的单帧点云反射强度对比图，其中左为原始点云，右为反射值矫正后的点云。

图4是本发明激光雷达强度标定的多帧点云融合后的云反射强度对比图，其中左为原始点云，右为反射值矫正后的点云。

具体实施方式

以下参照附图2-4，对本发明一种自动驾驶激光雷达强度标定方法做进一步的说明，需要说明的是，下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

如图2所示，为本发明一种自动驾驶激光雷达强度标定方法，包括如下的步骤：

1)采集数据：获得激光雷达录取的若干帧点云数据；

2)点云位姿优化：将步骤1)中获得的所有的点云数据经过slam处理，得出每一帧的优化后的位姿；

3)提取路面点云数据：根据每一帧的位姿，以及车和激光雷达的位置关系，提取所有车轨迹覆盖过的点云，形成一个点云集合R；

4)求出每条线的高斯参数：对于点云集合R，计算每条线所对应的强度均值和标准差；

5)将每条线的强度值映射到同一个高斯分布上：将每条线的强度值所对应的高斯分布，映射到一个设定的高斯分布上，获得映射表；

6)将原始的点云强度按照该映射表进行强度转换，得到强度矫正后的点云，从而实现对激光雷达强度标定。

在一个优选的实施例中，步骤4)中点云集合R的形成方法如下：通过公式(1)，把每一帧点云数据的每个点的坐标转换到世界坐标系下，

P^g _i(x_k,y_k,z_k)＝T_i*P^l _i(x_k,y_k,z_k) 公式(1)

其中，T_i表示第i帧从局部到世界坐标系的转换矩阵，P^l _i(x,y,z)表示第i帧点云的第k个点的局部坐标，P^g _i(x,y,z)表示第i帧点云第k个点对应的世界坐标系下的坐标；

对于第i帧的每个点所对应的世界坐标坐标P^g _i(x_k,y_k,z_k)，利用kd树找到距离该点最近的位姿T_nearest，然后根据车的尺寸、位姿、与车之间的相对位置信息，计算车体的左上角、左下角、右上角、右下角四个点在世界坐标系下的坐标，设这四个点依次是lt,lb,rt,rb，判断该点(即第i帧的点)是否在上面四个点所围成的矩形范围内，如果在其内，并且该点是属于地面点云，就将该点提取出来，形成点云集合R＝[p0,p1,p2,…,pm]，其中p0～pm为若干地面点。

在一个优选的实施例中，所述步骤5)中，设定第i条线的均值和标准差为(m_i,σ_i)，设定的高斯参数是(m,σ)，利用公式(2)生成第i条线所对应的反射值为j时的矫正值，

其中，Ci(j)是第i线原始强度值为j时对应的矫正后的值，i是激光雷达线的标号，j是强度值大小，j～[0,255]。

在该步骤中，设定的高斯参数会严重影响反射值矫正的效果。例如均值会影响矫正后整体点云强度信息的亮暗程度，方差会影响矫正后的整体点云的强度信息的对比度。为了更好的体现路面信息，例如路面和车道标线之间的强度信息对比度，在给定设定均值的情况下，采用公式(4)来获取所在路面非地面标线的强度上限。由于我们假设了路面强度信息分布为高斯分布，那么我们假设在均值s倍标准差处为地面非点云标线点云的强度上限值。我们根据公式(5)可以得到所需要设定的标准差的值。

Intensit(i)_upper＝mi+s*σi (4)

其中，s是概率对应的标准差的值，通过公式(3)来表示，s：P(x＜p) (3)，可以通过查z值表得到；p是根据点云集合R计算的路面非车道线点的先验概率。

(Intensity(i)_upper-mi)/σi*σ+m＝2m (5)

其中，Intensity(i)_upper是第i条线计算出来的路面非标线点的强度值上限。

图3显示了采用本发明自动驾驶激光雷达强度标定方法矫正后的单帧点云反射强度对比图，由图3的左右图的对比可以看到，在左图中路面强度不一致的情况，经过矫正后在右图中得到了明显的改善。

图4显示了采用本发明自动驾驶激光雷达强度标定方法矫正后的多帧点云融合后的强度对比图，由图4的左右图的对比可以看到，在原始未经过强度矫正的点云中，虚线车道线很不清晰，而且在路面上也普遍存在很多噪声点，使得车道线和路面之间的对比度比较差。而在右图经过强度矫正后的结果点云中，车道线比较清晰，而且非车道线路面点的强度值比较一致。

上述实施方式用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改和改变，都落入本发明的保护范围。

Claims (5)

1.一种自动驾驶激光雷达强度标定方法，其特征在于，包括如下的步骤：

1)采集数据：获得激光雷达录取的若干帧点云数据；

2)点云位姿优化：将步骤1)中获得的所有的点云数据经过slam处理，得出每一帧的优化后的位姿；

3)提取路面点云数据：根据每一帧的位姿，以及车和激光雷达的位置关系，提取所有车轨迹覆盖过的路面点云，形成一个点云集合R；

4)求出每条线的高斯参数：对于点云集合R，计算每条线所对应的强度均值和标准差；

5)将每条线的强度值映射到同一个高斯分布上：将每条线的强度值所对应的高斯分布，映射到一个设定的高斯分布上，获得映射表；

6)将原始的点云强度按照该映射表进行强度转换，得到强度矫正后的点云，从而实现对激光雷达强度标定。

2.如权利要求1所述的自动驾驶激光雷达强度标定方法，其特征在于，所述步骤3)中点云集合R的形成方法如下：通过公式(1)，把每一帧点云数据的每个点的坐标转换到世界坐标系下，

P^g _i(x_k,y_k,z_k)＝T_i*P^l _i(x_k,y_k,z_k) (1)

其中，T_i表示第i帧从局部到世界坐标系的转换矩阵，P^l _i(x_k,y_k,z_k)表示第i帧点云的第k个点的局部坐标，P^g _i(x_k,y_k,z_k)表示第i帧点云第k个点对应的世界坐标系下的坐标；

对于第i帧的每个点所对应的世界坐标坐标P^g _i(x_k,y_k,z_k)，利用kd树找到距离该点最近的位姿T_nearest，然后根据车的尺寸、位姿、与车之间的相对位置信息，计算车体的左上角、左下角、右上角、右下角四个点在世界坐标系下的坐标，设四个点依次是lt,lb,rt,rb，判断该点是否在上面四个点所围成的矩形范围内，如果在其内，并且该点是属于地面点云，就将该点提取出来，形成点云集合R＝[p0,p1,p2,…,pm]，其中p0～pm为若干地面点。

3.如权利要求1所述的自动驾驶激光雷达强度标定方法，其特征在于，所述步骤5)中，第i条线的均值和标准差为(m_i,σ_i)，设定的高斯参数是(m,σ)，利用公式(2)生成第i条线所对应的反射值为j时的矫正值，

其中，Ci(j)是第i条线原始强度值为j时对应的矫正后的值，i是激光雷达线的标号，j是强度值大小，j∈[0,255]。

4.如权利要求1所述的自动驾驶激光雷达强度标定方法，其特征在于，所述步骤5)中，在给定设定均值的情况下，采用公式(4)来获取所在路面非标线的强度上限，

Intensit(i)_upper＝mi+s*σi (4)，其中，m_i是第i条线的均值，σ_i是第i条线的标准差，s是概率对应的标准差的值，通过公式(3)来表示，s：P(z＜p) (3)，可以通过查Z值表得到；p是根据点云集合R计算的路面非车道线点的先验概率。

5.如权利要求1所述的自动驾驶激光雷达强度标定方法，其特征在于，所述步骤5)中，第i条线的均值和标准差为(m_i,σ_i)，设定的高斯参数是(m,σ)，通过公式(5)得到所需要设定的标准差的值，

(Intensity(i)_upper-mi)/σi*σ+m＝2m (5)

其中，Intensity(i)_upper是第i条线计算出来的路面非标线点的强度值上限。