CN112238818A

CN112238818A - 控制系统、数据处理方法、控制方法

Info

Publication number: CN112238818A
Application number: CN201910972047.7A
Authority: CN
Inventors: 邓希兰; 原诚寅
Original assignee: Beijing New Energy Vehicle Technology Innovation Center Co Ltd
Current assignee: Beijing New Energy Vehicle Technology Innovation Center Co Ltd
Priority date: 2019-10-14
Filing date: 2019-10-14
Publication date: 2021-01-19

Abstract

本申请涉及一种控制系统、数据处理方法、控制方法、计算机设备和存储介质。所述系统包括：激光雷达，设置于车辆上，用于在车辆行驶状态下采集预设环境的点云数据，并将所述点云数据传输至处理器；处理器，与所述激光雷达连接，用于接收所述点云数据，对所述点云数据和预设点云数据进行处理，得到处理后的结果，并将处理后的结果传输至驱动装置；驱动装置，与所述处理器连接，用于接收所述处理后的结果，并根据所述处理后的结果，调整所述激光雷达的位置。采用本系统能够使激光雷达始终处于有利于自动驾驶的位置和姿态，以保证自动驾驶的稳定性和安全性。

Description

控制系统、数据处理方法、控制方法

技术领域

本申请涉及自动控制技术领域，特别是涉及一种控制系统、数据处理方法、控制方法、计算机设备和存储介质。

背景技术

随着自动驾驶技术的发展，如何提高自动驾驶的精度已成为热点研究。自动驾驶车辆通过强大的中央处理单元实现无人驾驶的功能，而激光雷达作为自动驾驶系统中最重要的一个传感器，在系统感知、决策规化、高精度定位等起着决定性作用，其姿态对整个系统极其重要。但是，在车辆的自动驾驶过程中，激光雷达的位置、角度会出现偏差，对自动驾驶极为不利。

现有技术中，通过监测激光雷达采集的点云数据来判断激光雷达的位置或角度是否存在偏差，如果存在偏差则采用手动调整激光雷达的位置或角度。

然而，目前的方法，存在安全性低或稳定性差等问题。

发明内容

基于此，有必要针对上述技术问题，提供一种控制系统、数据处理方法、控制方法、计算机设备和存储介质。

一种控制系统，所述系统包括：

激光雷达，设置于车辆上，用于在车辆行驶状态下采集预设环境的点云数据，并将所述点云数据传输至处理器；

处理器，与所述激光雷达连接，用于接收所述点云数据，对所述点云数据和预设点云数据进行处理，得到处理后的结果，并将处理后的结果传输至驱动装置；

驱动装置，与所述处理器连接，用于接收所述处理后的结果，并根据所述处理后的结果，调整所述激光雷达的位置。

在其中一个实施例中，所述处理器包括：

中央处理模块，与所述激光雷达连接，用于接收所述点云数据，采用标定算法对所述点云数据和预设点云数据进行处理，以确定所述激光雷达的位置偏差值，并将所述位置偏差值传输至所述驱动装置。

在其中一个实施例中，所述驱动装置包括：

控制器，与所述中央处理模块进行通信，用于接收所述位置偏差值，并根据所述位置偏差值，判断是否向调节装置发送控制信号，其中，所述控制信号用于驱动调节装置调整所述激光雷达的位置；

调节装置，与所述控制器连接，用于接收所述控制信号，并调整所述激光雷达的位置。

一种数据处理方法，所述方法包括：

获取在车辆行驶状态下通过激光雷达采集的预设环境的点云数据；

采用标定算法对所述点云数据和预设点云数据进行处理，确定所述激光雷达的位置偏差值。

在其中一个实施例中，所述采用标定算法对所述点云数据和预设点云数据进行处理，确定所述激光雷达的位置偏差值包括：

采用标定算法分别将所述点云数据和预设点云数据映射至车辆坐标系中，得到所述点云数据对应的第一坐标数据和所述预设点云数据对应的第二坐标数据；

对所述第一坐标数据和第二坐标数据进行差值计算，得到所述激光雷达的位置偏差值。

一种控制方法，所述方法包括：

根据所述位置偏差值，控制调节装置调整所述激光雷达的位置。

在其中一个实施例中，所述根据所述位置偏差值，控制调节装置调整所述激光雷达的位置包括：

若所述位置偏差值大于预设偏差值，则控制调节装置调整所述激光雷达的位置。

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，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。

上述控制系统、数据处理方法、控制方法、计算机设备和存储介质，所述系统包括：激光雷达，设置于车辆上，用于在车辆行驶状态下采集预设环境的点云数据，并将所述点云数据传输至处理器；处理器，与所述激光雷达连接，用于接收所述点云数据，对所述点云数据和预设点云数据进行处理，得到处理后的结果，并将处理后的结果传输至驱动装置；驱动装置，与所述处理器连接，用于接收所述处理后的结果，并根据所述处理后的结果，调整所述激光雷达的位置。通过上述控制系统使激光雷达始终处于有利于自动驾驶的位置和姿态，以保证自动驾驶的稳定性和安全性。

附图说明

图1为一个实施例中一种控制系统结构框图；

图2为一个实施例中一种数据处理方法和一种控制方法的应用环境图；

图3为一个实施例中一种数据处理方法的流程示意图；

图4为一个实施例中一种控制方法的流程示意图；

图5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。

参见图1，一种控制系统，所述系统包括：

激光雷达10，设置于车辆上，用于在车辆行驶状态下采集预设环境的点云数据，并将所述点云数据传输至处理器20。激光雷达10可通过支架固定于车体顶部。在一个实施例中，激光雷达10还可通过导轨的方式使激光雷达10在车体顶部周期性地在直线导轨上往复移动。

处理器20，与所述激光雷达10连接，用于接收所述点云数据，对所述点云数据和预设点云数据进行处理，得到处理后的结果，并将处理后的结果传输至驱动装置30。激光雷达10与处理器20进行通信连接，该通信连接可以通过有线、无线或者其他方式连接，例激光雷达10通过4G网络与处理器20进行无线通信。处理器20可设置于车辆上，也可采用远程终端或服务器。

所述处理器20包括：中央处理模块201，与所述激光雷达10连接，用于接收所述点云数据，采用标定算法对所述点云数据和预设点云数据进行处理，以确定所述激光雷达10的位置偏差值，并将所述位置偏差值传输至所述驱动装置30。预设电压数据存储于处理器20自带的存储器中或者存储于外设存储器中。

在一个实施例中，处理器20处理器包括中央处理模块201和存储模块；中央处理模块201包括两个MVP(MultithreadVirtualPipeline)核，即MVP012和MVP113；中央处理模块201和存储模块连接，中央处理模块201则用于通过统一的线程调度实现程序处理功能和处理中的数据的可编程处理功能，并将已经过可编程处理功能的数据通过存储模块进行交互。存储模块用于为中央处理模块201提供统一的储存空间进行数据的存储、缓冲或/和交互。

驱动装置30，与所述处理器20连接，用于接收所述处理后的结果，并根据所述处理后的结果，调整所述激光雷达10的位置。所述驱动装置30包括：控制器301，与所述中央处理模块201进行通信，用于接收所述位置偏差值，并根据所述位置偏差值，判断是否向调节装置302发送控制信号，其中，所述控制信号用于驱动调节装置30调整所述激光雷达10的位置；调节装置302，与所述控制器301连接，用于接收所述控制信号，并调整所述激光雷达10的位置。

在一个实施例中，控制器301包括AVR169单片机，AVR169单片机输出的脉宽调制PWM信号经过功率放大驱动调节装置30调整所述激光雷达10的位置，驱动采用的是3966驱动芯片，双极性工作方式，在一个PWM周期内电机电枢两端的电压呈正负变化，由控制算法进行速度调节。

上述控制系统，所述系统包括：激光雷达，设置于车辆上，用于在车辆行驶状态下采集预设环境的点云数据，并将所述点云数据传输至处理器；处理器，与所述激光雷达连接，用于接收所述点云数据，对所述点云数据和预设点云数据进行处理，得到处理后的结果，并将处理后的结果传输至驱动装置；驱动装置，与所述处理器连接，用于接收所述处理后的结果，并根据所述处理后的结果，调整所述激光雷达的位置。通过上述控制系统使激光雷达始终处于有利于自动驾驶的位置和姿态，以保证自动驾驶的稳定性和安全性。

本申请还提供的一种数据处理方法和一种控制方法，可以应用于如图2所示的应用环境中。其中，车辆102通过网络与服务器104进行通信。车辆102获取在车辆行驶状态下通过激光雷达采集的预设环境的点云数据，并将点云数据传输至服务器104，服务器104采用标定算法对所述点云数据和预设点云数据进行处理，确定所述激光雷达的位置偏差值，并根据所述位置偏差值，控制调节装置调整所述激光雷达的位置。其中，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图3所示，提供了一种数据处理方法，以该方法应用于图2中的服务器104为例进行说明，包括以下步骤：

步骤S1：获取在车辆行驶状态下通过激光雷达采集的预设环境的点云数据；

步骤S2：采用标定算法对所述点云数据和预设点云数据进行处理，确定所述激光雷达的位置偏差值。

在步骤S1-S2中，预设点云数据是激光雷达在最初安装到车上采集的预设环境的点云数据，同时可直接获取激光雷达在车辆坐标系下的位置(x,y,z,roll,pitch,yaw)。

标定算法可采用ICP(Iterative Closest Point)算法、深度学习算法或者其他算法。具体地，ICP(Iterative Closest Point)算法广泛应用于三维激光扫描技术中。通过初始配准两片点云大致重合，但是误差精度还远远达不到实际应用中的精度要求。为了使用点云间的误差达到最小，还需要对其进行精确配准。ICP算法是最常用的数据精确配准方法，算法在每次迭代的过程中，对数据点云的每一点，在模型点云中寻找欧氏距离最近点作为对应点，通过对应点使目标函数最小化，以得到最优的四维转换矩阵(包含平移和旋转)，将四维变换矩阵作用到点云数据上，得到新的数据点云带入下次迭代过程。ICP算法要求数据点云上的每一点在模型点云上都要找到对应点，算法需要遍历模型点云上的每一点，以达到匹配的精确度。

深度学习算法使用了分层抽取特征的思想，把每一次叫做set abstraction。分为三部分：采样层、分组层、特征提取层。首先来看采样层，为了从稠密的点云中抽取出一些相对较为重要的中心点，采用FPS(farthest point sampling)最远点采样法，这些点并不一定具有语义信息。当然也可以随机采样；然后是分组层，在上一层提取出的中心点的某个范围内寻找最近个k(k为大于零的整数)近邻点组成patch；特征提取层是将这k个点通过小型pointnet网络进行卷积和pooling得到的特征作为此中心点的特征，再送入下一个分层继续。这样每一层得到的中心点都是上一层中心点的子集，并且随着层数加深，中心点的个数越来越少，但是每一个中心点包含的信息越来越多。通过深度学习算法可获得精确的点云数据，是目前相对优选的算法。

在一个实施例中，所述步骤S2包括：

步骤S21：采用标定算法分别将所述点云数据和预设点云数据映射至车辆坐标系中，得到所述点云数据对应的第一坐标数据和所述预设点云数据对应的第二坐标数据；

步骤S22：对所述第一坐标数据和第二坐标数据进行差值计算，得到所述激光雷达的位置偏差值。

在步骤S21-S22中，第一坐标数据指点云数据映射在车辆坐标系中的位置，第二坐标数据指预设点云数据映射在车辆坐标系中的位置。例，若第一坐标为(x1,y1,z1,roll1,pitch1,yaw1)，第二坐标为(x2,y2,z2,roll2,pitch2,yaw2)，通过第一坐标与第二坐标的差值为(x1-x2,y1-y2,z1-z2,roll1-roll2,pitch1-pitch2,yaw1-yaw2)。

在一个实施例中，如图4所示，提供了一种控制方法，以该方法应用于图2中的服务器104为例进行说明，包括以下步骤：

步骤S3：根据所述位置偏差值，控制调节装置调整所述激光雷达的位置。

在步骤S3中，通过获得的第一坐标与第二坐标差值(x1-x2,y1-y2,z1-z2,roll1-roll2,pitch1-pitch2,yaw1-yaw2)来调整激光雷达的位置。例，若第一坐标的X轴坐标与第二坐标的X轴坐标的差值x1-x2＝-2，则需将激光雷达向X轴正向移动2。

在一个实施例中，所述步骤S3包括：

步骤S31：若所述位置偏差值大于预设偏差值，则控制调节装置调整所述激光雷达的位置。

在步骤S31中，预设偏差值是为了避免频繁调整激光雷达位置而设置，当位置偏差值很小且对后续的数据处理不会产生大的误差，则不需要对激光雷达的位置进行调整，而预设偏差值根据实际需求进行设定，此外不再赘述。

应该理解的是，虽然图3-4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3-4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，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5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相关数据。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数据处理方法和一种控制方法。

本领域技术人员可以理解，图5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，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：

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

1.一种控制系统，其特征在于，所述系统包括：

2.根据权利要求1所述的系统，其特征在于，所述处理器包括：

3.根据权利要求2所述的系统，其特征在于，所述驱动装置包括：

4.一种数据处理方法，其特征在于，所述方法包括：

5.根据权利要求4所述的方法，其特征在于，所述采用标定算法对所述点云数据和预设点云数据进行处理，确定所述激光雷达的位置偏差值包括：

6.一种控制方法，其特征在于，所述方法包括：

7.根据权利要求6所述的方法，其特征在于，所述根据所述位置偏差值，控制调节装置调整所述激光雷达的位置包括：

8.一种计算机设备，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4至7中任一项所述方法的步骤。

9.一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4至7中任一项所述的方法的步骤。