CN113269827A - 一种实现自动化标定的方法和计算装置 - Google Patents
一种实现自动化标定的方法和计算装置 Download PDFInfo
- Publication number
- CN113269827A CN113269827A CN202010092849.1A CN202010092849A CN113269827A CN 113269827 A CN113269827 A CN 113269827A CN 202010092849 A CN202010092849 A CN 202010092849A CN 113269827 A CN113269827 A CN 113269827A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- vehicle body
- frame
- conversion matrix
- positioning data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 239000011159 matrix material Substances 0.000 claims abstract description 111
- 238000006243 chemical reaction Methods 0.000 claims abstract description 68
- 238000005259 measurement Methods 0.000 claims abstract description 36
- 238000013519 translation Methods 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 35
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000005070 sampling Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 16
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了实现自动化标定的方法和计算装置,涉及计算机技术领域。该方法的一具体实施方式包括同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对转换矩阵的旋转矩阵进行标定;基于该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。从而,本发明的实施方式能够解决现有IMU和车体标定以及激光雷达和IMU标定过程复杂、难以实现且效果不理想的问题。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种实现自动化标定的方法和计算装置。
背景技术
目前,在各类机器人、自动驾驶和高精地图采集平台上,各传感器在独自坐标系下采集数据。为了完成拆包建图或者实时定位,需要确定各传感器之间的相对转换矩阵,从而将激光点云投影到统一世界坐标系下。在测绘建图中,将t时刻的激光雷达数据转换到世界坐标系下投影。其中,车体和世界坐标系的转换矩阵可以通过IMU(惯性测量单元)和GPS(全球定位系统)捕获,IMU和车体的转换矩阵以及激光雷达和IMU的转换矩阵都需要预先标定。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
无论在IMU和车体标定,还是激光雷达和IMU标定过程中,现有方法都存在一些问题。首先,操作过程比较复杂,例如需要手工选取特征点并且用RTK(实时动态)打点,或者需要手工调整好初始安装角度并且人为选取一些平整道路。其次,往往建立在一些假设条件下,例如只有存在RTK基站才能采集RTK数据,只有道路面足够平整和初始安装角度偏低才能进行公式简化等,然而在现实标定中假设条件往往难于满足。最后,实验发现解析方法的精度偏低,最终导致建图效果不理想,存在重影问题。
发明内容
有鉴于此,本发明实施例提供一种实现自动化标定的方法和装置,能够解决现有IMU和车体标定以及激光雷达和IMU标定过程复杂、难以实现且效果不理想的问题。
为实现上述目的,根据本发明实施例的一个方面,提供了一种实现自动化标定的方法,包括同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,以得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定;基于该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。
可选地,包括:
将车体惯性测量单元数据和车体定位数据的转换矩阵,以及该帧点云和车体惯性测量单元数据的转换矩阵进行合并,得到该帧点云和车体定位数据的转换矩阵。
可选地,通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定,包括:
将每帧点云进行语义分割;
在预设初始参数下,设定固定步长采样欧拉角和平移量,以将单帧点云投影到世界坐标系下建图;
对所述建图点云进行切片,以计算切片误差,进而选取误差最小的欧拉角和平移量作为对该帧点云和车体定位数据的转换矩阵的标定结果。
可选地,对所述建图点云进行切片,包括:
在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片或者垂直地物进行点云切片。
可选地,在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片,包括:
根据点云解析结果保留地面点云,沿着行驶轨迹均匀采样或者随机采样抽取轨迹点,计算所述轨迹点的切线和法线;
其中,在所述建图中沿行驶轨迹进行点云切片时,以采样轨迹点为中心沿着切线方向截取给定长宽下的点云;在垂直于行驶轨迹进行点云切片时,以采样轨迹点为中心沿着法线方向截取给定长宽下的点云。
可选地,垂直地物进行点云切片,包括:
对垂直柱状物体随机采样,统一编号下的垂直地物为一个切片。
可选地,计算切片误差,包括:
对采用沿行驶轨迹或垂直于行驶轨迹进行点云切片的方式,通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新Z轴下的投影分量,进而统计投影分量的方差得到切片误差;和/或,
对采用垂直地物进行点云切片的方式,通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新X轴和新Y轴下的投影分量,进而确定新X轴和新Y轴中心为圆心的半径,通过误差函数计算切片误差。
可选地,确定新X轴和新Y轴中心为圆心的半径,通过误差函数计算切片误差,包括:
以新X轴和新Y轴中心为圆心定义一个圆,用二分查找计算圆半径,使得落在以该半径为圆的范围内点数占总点云的预设比例。
可选地,将每帧点云进行语义分割,包括:
当车体上搭载全景影像设备的时候,则获取每帧激光点在某一幅全景帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域;
对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到全景图上每个柱状物体的语义标识和序列编号,进而根据激光点和全景投影点的对应关系,获取每帧激光点的语义标识和编号;
或当车体上搭载非全景影像设备的时候,则获取每帧激光点在某一幅图像帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域;
对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到每个柱状物体的语义标识和序列编号,进而根据激光点和图像投影点的对应关系,获取对应有图像投影点的激光点的语义标识和编号;且对于不具有对应图像投影点的激光点,根据所述建图通过最近邻查询算法基于已标识的激光点进行标识赋值;
或当车体上未搭载影像设备的时候,则对每帧点云进行离线第三模型训练和在线场景解析,以识别出地面、柱状物体和未知区域;
对柱状物体进行离线第四模型训练和在线实例标识,以得到每帧点云下激光点的语义标识;
统计每帧柱状物体的中心点,如果相邻帧所述中心点的距离小于预设阈值,则将该相邻帧的点云进行合并,且统一标识。
另外,本发明还提供了一种实现自动化标定的计算装置,包括第一标定模块,用于同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,以得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定;
第二标定模块,用于基于该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。
上述发明中的一个实施例具有如下优点或有益效果:因为采用同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,以得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定;基于该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定的技术手段,所以克服了现有IMU和车体标定以及激光雷达和IMU标定过程复杂、难以实现且效果不理想的技术问题,进而达到全自动、高精度地完成IMU、车体和激光雷达标定的技术效果。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明第一实施例的实现自动化标定的方法的主要流程的示意图;
图2是根据本发明实施例车载系统的世界坐标系的示意图;
图3是根据本发明第二实施例的实现自动化标定的方法的主要流程的示意图;
图4是根据本发明第三实施例的实现自动化标定的方法的主要流程的示意图;
图5是根据本发明实施例的实现自动化标定的计算装置的主要模块的示意图;
图6是本发明实施例可以应用于其中的示例性系统架构图;
图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
图1是根据本发明第一实施例的实现自动化标定的方法的主要流程的示意图,如图1所示,所述实现自动化标定的方法包括:
步骤S101,同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,以得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定。
较佳的,可以通过GPS获取车体定位数据,而每帧点云可以为获得激光点云,即可以在车体搭载激光雷达和组合惯导(IMU和GPS)。因此,可以沿着室外街景采集一段时间t={1,2,...,n}下的激光点云、IMU和GPS数据,即通过时间同步获取每帧点云对应的IMU和GPS数据。
值得说明的是,车体到世界坐标的转换矩阵为:
其中,平移矩阵由GPS的经纬高度定义
旋转矩阵由IMU的欧拉角[pitc,roll,yaw]计算:
步骤S102,基于该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。
在一些实施例中,将车体惯性测量单元数据和车体定位数据的转换矩阵,以及该帧点云和车体惯性测量单元数据的转换矩阵进行合并,以得到该帧点云和车体定位数据的转换矩阵。
较佳的,将IMU和车体的转换矩阵激光雷达和IMU的转换矩阵合并为激光雷达和车体的转换矩阵进行标定,即标定出激光雷达和车体的欧拉角和平移量(一共六个参数)。本发明采用贪心算法穷举来搜索最佳参数,即在给定初始参数下,设定固定步长采样欧拉角和平移量,在某组参数下按照公式将单帧点云投影到世界坐标系下建图。其中,PL(t)为单帧点云投影数据。然后,通过对单帧点云语义分割、对建图点云随机切片和误差计算,选取一套误差量最小的参数。
在本发明的一些实施例中,步骤S102中在通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定的过程中,可以将每帧点云进行语义分割。在预设初始参数下,设定固定步长采样欧拉角和平移量,以将单帧点云投影到世界坐标系下建图。对所述建图点云进行切片,以计算切片误差,进而选取误差最小的欧拉角和平移量作为对该帧点云和车体定位数据的转换矩阵的标定结果。
需要说明的是,在图2所建的车体世界坐标系下,z轴朝上,y轴沿着车子前进方向,x轴垂直车子前进方向。俯仰角pitch定义为绕x轴旋转的Δx,横滚角roll定义为绕y轴旋转的Δy,偏航角yaw定义为绕z轴旋转的Δz。实验发现,如果俯仰角pitch发生错位,则存在前上后下或前下后上现象。如果横滚角roll发生错位,则存在左上右下或左下右上现象;如果偏航角yaw发生错位则垂直地图(例如灯杆,树桩)的直径变粗。因此,本发明创造性地让车载系统沿着近直线轨迹往返采集两次,对该轨迹随机采样一些点云切片进行误差函数计算。
作为进一步地实施例,可以使用如下方法对所述建图点云进行切片:在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片或者垂直地物进行点云切片。
在该实施例中,在所述建图中沿行驶轨迹进行点云切片或者垂直于行驶轨迹进行点云切片时,可以根据点云解析结果仅保留地面点云,从而避免路上行驶车辆等物体的干扰,然后沿着行驶轨迹均匀采样或者随机采样抽取一些轨迹点,计算这些轨迹点的切线和法线。其中,为了在所述建图中沿行驶轨迹进行点云切片,以采样轨迹点为中心沿着切线方向截取给定长宽下的点云,要求长宽比在指定范围内(例如[30-50]),并且宽度在指定范围内(例如[50-100]cm)。同理,为了获取垂直于行驶轨迹的点云切片,采样轨迹点为中心沿着法线方向截取给定长宽下的点云,要求长宽比在指定范围内(例如[10-20]),并且宽度在指定范围内(例如[30-50]cm)。
另外,为了获取垂直地物的点云切片,对垂直柱状物体随机采样,统一编号下的垂直地物为一个切片。
作为更进一步地实施例,对采用沿行驶轨迹或垂直于行驶轨迹进行点云切片的方式,在计算切片误差时可以通过主向量分析法(principal component analysis,PCA)获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新Z轴下的投影分量PZ(k)={pi_Z(k)}i=1,...,N,进而统计投影分量的方差得到切片误差σk。值得说明的是,在统计投影分量的方差得到切片误差σk之前,可以剔除一些远距离的噪声点,例如对投影分量进行直方图统计,剔除新Z轴上下一定比例(例如5%)最高和最低的点云点。其中,所述的距离是指每个点云切片有一个中心点,每个点云点和中心点有一个距离,可以通过L1范式或L2范式等等方式进行距离确定,而L1范数是指向量中各个元素绝对值之和,L2范数是指向量各元素的平方和然后求平方根。
对采用垂直地物进行点云切片的方式,在计算切片误差时可以通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新X轴和新Y轴下的投影分量[PX(k),PY(k)]={pi_X(k),pi_Y(k)}i=1,...,N,进而确定新X轴和新Y轴中心为圆心的半径Rk,通过误差函数计算切片误差。其中,新X轴和新Y轴中心为圆心的半径Rk可以使得落在以Rk半径的圆的范围内点数占总点云的一定比例(例如90%)。较佳地,以新X轴和新Y轴中心为圆心定义一个圆,用二分查找计算圆半径,使得落在以该半径为圆的范围内点数占总点云的预设比例。
值得说明的是,最终的误差函数定义为:
其中w∈[0,1]为权重,β1和β2为经验参数。
作为另一些进一步地实施例,在将每帧点云进行语义分割的时候,可以分为下面三种情况:
当车体上搭载全景影像设备的时候,则获取每帧激光点在某一幅全景帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域。对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到全景图上每个柱状物体的语义标识和序列编号,进而根据激光点和全景投影点的对应关系,获取每帧激光点的语义标识和编号。
当车体上搭载非全景影像设备的时候,则获取每帧激光点在某一幅图像帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域。对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到每个柱状物体的语义标识和序列编号,进而根据激光点和图像投影点的对应关系,获取对应有图像投影点的激光点的语义标识和编号;且对于不具有对应图像投影点的激光点,根据所述建图通过最近邻查询算法基于已标识的激光点进行标识赋值。
当车体上未搭载影像设备的时候,则对每帧点云进行离线第三模型训练和在线场景解析,以识别出地面、柱状物体和未知区域。对柱状物体进行离线第四模型训练和在线实例标识,以得到每帧点云下激光点的语义标识。统计每帧柱状物体的中心点,如果相邻帧所述中心点的距离小于预设阈值,则将该相邻帧的点云进行合并,且统一标识。
综上所述,本发明提出了的实现自动化标定的方法,操纵过程简单,只需要采集一些常规街景场景,且可实现全自动完成参数标定。并且,本发明不需要过多假设条件,只要求场景为普通室外街景,包括路面即可,可选带有路灯和树木等等。与此同时,建图精度高,由于目标函数就是评测标准,在评测过程中已经完成建图,在最佳参数下会创建一组无重影的建图效果,可满足了工业生产需求。
图3是根据本发明第二实施例的实现自动化标定的方法的主要流程的示意图,所述实现自动化标定的方法可以包括:
步骤S301,同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据。
步骤S302,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定,以得到车体到世界坐标的转换矩阵。
步骤S303,将车体惯性测量单元数据和车体定位数据的转换矩阵,以及该帧点云和车体惯性测量单元数据的转换矩阵进行合并,得到该帧点云和车体定位数据的转换矩阵。
步骤S304,通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。
在一些实施例中,在通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定时,可以将每帧点云进行语义分割;在预设初始参数下,设定固定步长采样欧拉角和平移量,以将单帧点云投影到世界坐标系下建图;对所述建图点云进行切片,以计算切片误差,进而选取误差最小的欧拉角和平移量作为对该帧点云和车体定位数据的转换矩阵的标定结果。
较佳的,可以使用如下方法对所述建图点云进行切片:在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片或者垂直地物进行点云切片。
优选地,对采用沿行驶轨迹或垂直于行驶轨迹进行点云切片的方式,在计算切片误差时可以通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新Z轴下的投影分量,进而统计投影分量的方差得到切片误差。
对采用垂直地物进行点云切片的方式,在计算切片误差时可以通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新X轴和新Y轴下的投影分量,进而确定新X轴和新Y轴中心为圆心的半径,通过误差函数计算切片误差。优选地,以新X轴和新Y轴中心为圆心定义一个圆,用二分查找计算圆半径,使得落在以该半径为圆的范围内点数占总点云的预设比例。
作为另一些较佳的实施例,在将每帧点云进行语义分割的时候,可以分为下面三种情况:
当车体上搭载全景影像设备的时候,则获取每帧激光点在某一幅全景帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域。对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到全景图上每个柱状物体的语义标识和序列编号,进而根据激光点和全景投影点的对应关系,获取每帧激光点的语义标识和编号。
当车体上搭载非全景影像设备的时候,则获取每帧激光点在某一幅图像帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域。对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到每个柱状物体的语义标识和序列编号,进而根据激光点和图像投影点的对应关系,获取对应有图像投影点的激光点的语义标识和编号;且对于不具有对应图像投影点的激光点,根据所述建图通过最近邻查询算法基于已标识的激光点进行标识赋值。
当车体上未搭载影像设备的时候,则对每帧点云进行离线第三模型训练和在线场景解析,以识别出地面、柱状物体和未知区域。对柱状物体进行离线第四模型训练和在线实例标识,以得到每帧点云下激光点的语义标识。统计每帧柱状物体的中心点,如果相邻帧所述中心点的距离小于预设阈值,则将该相邻帧的点云进行合并,且统一标识。
图4是根据本发明第三实施例的实现自动化标定的方法的主要流程的示意图,所述实现自动化标定的方法可以包括:
步骤S401,同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据。
步骤S402,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定,以得到车体到世界坐标的转换矩阵。
步骤S403,将车体惯性测量单元数据和车体定位数据的转换矩阵,以及该帧点云和车体惯性测量单元数据的转换矩阵进行合并,得到该帧点云和车体定位数据的转换矩阵。
步骤S404,将每帧点云进行语义分割。
在一些实施例中,点云的语义分割是对每帧点云进行语义标识,可以分为下面三种情况:
当车体上搭载全景影像设备(例如全景相机)的时候,则获取每帧激光点在某一幅全景帧下的投影点,以对每帧全景图进行离线第一模型(即图像场景解析模型,例如2015Arxiv SegNet、2017 CVPR RefineNet等)训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域。对垂直柱状物体进行离线第二模型(即视频实例分割模型,例如2016CVPR Instance-level video segmentation from object tracks、2019ArxivVideo Instance Segmentation等)训练,以进行在线实例分割得到全景图上每个柱状物体的语义标识和序列编号,进而根据激光点和全景投影点的对应关系,获取每帧激光点的语义标识和编号。
当车体上搭载非全景影像设备(例如普通相机)的时候,获取每帧激光点在某一幅图像帧下的投影点,以对每帧全景图进行离线第一模型(即图像场景解析模型,例如2015Arxiv SegNet、2017 CVPR RefineNet等)训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域。对垂直柱状物体进行离线第二模型(即视频实例分割模型,例如2016CVPR Instance-level video segmentation from object tracks、2019ArxivVideo Instance Segmentation等)训练,以进行在线实例分割得到每个柱状物体的语义标识和序列编号,进而根据激光点和图像投影点的对应关系,获取对应有图像投影点的激光点的语义标识和编号;且对于不具有对应图像投影点的激光点,根据所述建图通过最近邻查询算法基于已标识的激光点进行标识赋值。
其中,两个激光点间的距离公式定义为:
dist(i,j)=w*exp(-||pi-pj||2/β1)+(1-w)exp(-|Ii-Ij|/β2)
w∈[0,1]为权重,pi为建图后点云的坐标,Ii为点云强度值,该距离公式即考虑了空间距离也考虑了强度相似性。
当车体上未搭载影像设备(即未搭载任何相机)的时候,则对每帧点云进行离线第三模型(即点云场景解析模型,例如2017CVPR PointNet)训练和在线场景解析,以识别出地面、柱状物体和未知区域。对柱状物体进行离线第四模型(即点云实例分割模型,例如2019CVPR R-PointNet)训练和在线实例标识,以得到每帧点云下激光点的语义标识。统计每帧柱状物体的中心点,如果相邻帧所述中心点的距离小于预设阈值,则将该相邻帧的点云进行合并,且统一标识。
步骤S405,在预设初始参数下,设定固定步长采样欧拉角和平移量,以将单帧点云投影到世界坐标系下建图。
步骤S406,对所述建图点云进行切片。
在一些实施例中,在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片或者垂直地物进行点云切片。
步骤S407,计算切片误差,以选取误差最小的欧拉角和平移量作为对该帧点云和车体定位数据的转换矩阵的标定结果。
在一些实施例中,对采用沿行驶轨迹或垂直于行驶轨迹进行点云切片的方式,在计算切片误差时可以通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新Z轴下的投影分量,进而统计投影分量的方差得到切片误差。
对采用垂直地物进行点云切片的方式,在计算切片误差时可以通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新X轴和新Y轴下的投影分量,进而确定新X轴和新Y轴中心为圆心的半径,通过误差函数计算切片误差。
较佳的,以新X轴和新Y轴中心为圆心定义一个圆,用二分查找计算圆半径,使得落在以该半径为圆的范围内点数占总点云的预设比例。
图5是根据本发明实施例的实现自动化标定的计算装置的主要模块的示意图,如图5所示,所述实现自动化标定的计算装置500包括第一标定模块501和第二标定模块502。其中,第一标定模块501同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,以得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定。
第二标定模块502基于该帧点云和车体惯性测量单元数据的转换矩阵进行合并,以得到该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。
在一些实施例中,第二标定模块502,还用于:
将车体惯性测量单元数据和车体定位数据的转换矩阵,以及该帧点云和车体惯性测量单元数据的转换矩阵进行合并,得到该帧点云和车体定位数据的转换矩阵。
在一些实施例中,第二标定模块502通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定,包括:
将每帧点云进行语义分割;
在预设初始参数下,设定固定步长采样欧拉角和平移量,以将单帧点云投影到世界坐标系下建图;
对所述建图点云进行切片,以计算切片误差,进而选取误差最小的欧拉角和平移量作为对该帧点云和车体定位数据的转换矩阵的标定结果。
作为进一步地实施例,第二标定模块502对所述建图点云进行切片,包括:
在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片或者垂直地物进行点云切片。
作为更进一步地实施例,第二标定模块502在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片,包括:
根据点云解析结果保留地面点云,沿着行驶轨迹均匀采样或者随机采样抽取轨迹点,计算所述轨迹点的切线和法线;
其中,在所述建图中沿行驶轨迹进行点云切片时,以采样轨迹点为中心沿着切线方向截取给定长宽下的点云;在垂直于行驶轨迹进行点云切片时,以采样轨迹点为中心沿着法线方向截取给定长宽下的点云。
作为更进一步地实施例,第二标定模块502垂直地物进行点云切片,包括:
对垂直柱状物体随机采样,统一编号下的垂直地物为一个切片。
作为更进一步地实施例,第二标定模块502计算切片误差时,可以包括:
对采用沿行驶轨迹或垂直于行驶轨迹进行点云切片的方式,通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新Z轴下的投影分量,进而统计投影分量的方差得到切片误差;和/或,
对采用垂直地物进行点云切片的方式,通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新X轴和新Y轴下的投影分量,进而确定新X轴和新Y轴中心为圆心的半径,通过误差函数计算切片误差。
在较佳的实施例中,第二标定模块502确定新X轴和新Y轴中心为圆心的半径,通过误差函数计算切片误差,包括:
以新X轴和新Y轴中心为圆心定义一个圆,用二分查找计算圆半径,使得落在以该半径为圆的范围内点数占总点云的预设比例。
作为另外进一步地实施例,在将每帧点云进行语义分割的时候,可以分为下面三种情况:
当车体上搭载了全景影像设备的时候,则第二标定模块502获取每帧激光点在某一幅全景帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域。对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到全景图上每个柱状物体的语义标识和序列编号,进而根据激光点和全景投影点的对应关系,获取每帧激光点的语义标识和编号;
当车体上搭载非全景影像设备的时候,则第二标定模块502获取每帧激光点在某一幅图像帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域。对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到每个柱状物体的语义标识和序列编号,进而根据激光点和图像投影点的对应关系,获取对应有图像投影点的激光点的语义标识和编号;且对于不具有对应图像投影点的激光点,根据所述建图通过最近邻查询算法基于已标识的激光点进行标识赋值;
当在车体上未搭载影像设备的时候,则第二标定模块502对每帧点云进行离线第三模型训练和在线场景解析,以识别出地面、柱状物体和未知区域。对柱状物体进行离线第四模型训练和在线实例标识,以得到每帧点云下激光点的语义标识。统计每帧柱状物体的中心点,如果相邻帧所述中心点的距离小于预设阈值,则将该相邻帧的点云进行合并,且统一标识。
需要说明的是,在本发明所述实现自动化标定的方法和所述实现自动化标定的计算装置在具体实施内容上具有相应关系,故重复内容不再说明。
图6示出了可以应用本发明实施例的实现自动化标定的方法或实现自动化标定的计算装置的示例性系统架构600。
如图6所示,系统架构600可以包括终端设备601、602、603,网络604和服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备601、602、603通过网络604与服务器605交互,以接收或发送消息等。终端设备601、602、603上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
终端设备601、602、603可以是具有实现自动化标定的屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器605可以是提供各种服务的服务器,例如对用户利用终端设备601、602、603所浏览的购物类网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的产品信息查询请求等数据进行分析等处理,并将处理结果(例如目标推送信息、产品信息--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的实现自动化标定的方法一般由服务器605执行,相应地,计算装置一般设置于服务器605中。
应该理解,图6中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图7,其示出了适于用来实现本发明实施例的终端设备的计算机系统700的结构示意图。图7示出的终端设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM703中,还存储有计算机系统700操作所需的各种程序和数据。CPU701、ROM702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(CRT)、液晶实现自动化标定的器(LCD)等以及扬声器等的输出部分707;包括硬盘等的存储部分708;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器710上,以便于从其上读出的计算机程序根据需要被安装入存储部分708。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分609从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中,例如,可以描述为:一种处理器包括第一标定模块和第二标定模块。其中,这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,以得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定;基于该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。
根据本发明实施例的技术方案,能够解决现有IMU和车体标定以及激光雷达和IMU标定过程复杂、难以实现且效果不理想的问题。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (12)
1.一种实现自动化标定的方法,其特征在于,包括:
同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,以得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定;
基于该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。
2.根据权利要求1所述的方法,其特征在于,包括:
将车体惯性测量单元数据和车体定位数据的转换矩阵,以及该帧点云和车体惯性测量单元数据的转换矩阵进行合并,得到该帧点云和车体定位数据的转换矩阵。
3.根据权利要求1所述的方法,其特征在于,通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定,包括:
将每帧点云进行语义分割;
在预设初始参数下,设定固定步长采样欧拉角和平移量,以将单帧点云投影到世界坐标系下建图;
对所述建图点云进行切片,以计算切片误差,进而选取误差最小的欧拉角和平移量作为对该帧点云和车体定位数据的转换矩阵的标定结果。
4.根据权利要求3所述的方法,其特征在于,对所述建图点云进行切片,包括:
在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片或者垂直地物进行点云切片。
5.根据权利要求4所述的方法,其特征在于,在所述建图中沿行驶轨迹进行点云切片、垂直于行驶轨迹进行点云切片,包括:
根据点云解析结果保留地面点云,沿着行驶轨迹均匀采样或者随机采样抽取轨迹点,计算所述轨迹点的切线和法线;
其中,在所述建图中沿行驶轨迹进行点云切片时,以采样轨迹点为中心沿着切线方向截取给定长宽下的点云;在垂直于行驶轨迹进行点云切片时,以采样轨迹点为中心沿着法线方向截取给定长宽下的点云。
6.根据权利要求4所述的方法,其特征在于,垂直地物进行点云切片,包括:
对垂直柱状物体随机采样,统一编号下的垂直地物为一个切片。
7.根据权利要求4所述的方法,其特征在于,计算切片误差,包括:
对采用沿行驶轨迹或垂直于行驶轨迹进行点云切片的方式,通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新Z轴下的投影分量,进而统计投影分量的方差得到切片误差;和/或,
对采用垂直地物进行点云切片的方式,通过主向量分析法获取第k个切片点云的三个主向量,以三个主向量建立新坐标系;将点云投影到该新坐标系下,以得到在新X轴和新Y轴下的投影分量,进而确定新X轴和新Y轴中心为圆心的半径,通过误差函数计算切片误差。
8.根据权利要求7所述的方法,其特征在于,确定新X轴和新Y轴中心为圆心的半径,通过误差函数计算切片误差,包括:
以新X轴和新Y轴中心为圆心定义一个圆,用二分查找计算圆半径,使得落在以该半径为圆的范围内点数占总点云的预设比例。
9.根据权利要求3所述的方法,其特征在于,将每帧点云进行语义分割,包括:
当车体上搭载全景影像设备的时候,则获取每帧激光点在某一幅全景帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域;
对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到全景图上每个柱状物体的语义标识和序列编号,进而根据激光点和全景投影点的对应关系,获取每帧激光点的语义标识和编号;
或,当车体上搭载非全景影像设备的时候,则获取每帧激光点在某一幅图像帧下的投影点,以对每帧全景图进行离线第一模型训练,进而对图像进行语义标识得到水平路面、垂直柱状物体和未知区域;
对垂直柱状物体进行离线第二模型训练,以进行在线实例分割得到每个柱状物体的语义标识和序列编号,进而根据激光点和图像投影点的对应关系,获取对应有图像投影点的激光点的语义标识和编号;且对于不具有对应图像投影点的激光点,根据所述建图通过最近邻查询算法基于已标识的激光点进行标识赋值;
或,当车体上未搭载影像设备的时候,则对每帧点云进行离线第三模型训练和在线场景解析,以识别出地面、柱状物体和未知区域;
对柱状物体进行离线第四模型训练和在线实例标识,以得到每帧点云下激光点的语义标识;
统计每帧柱状物体的中心点,如果相邻帧所述中心点的距离小于预设阈值,则将该相邻帧的点云进行合并,且统一标识。
10.一种实现自动化标定的计算装置,其特征在于,包括:
第一标定模块,用于同步获取每帧点云对应的车体惯性测量单元数据和车体定位数据,以得到车体到世界坐标的转换矩阵;其中,通过车体定位数据对所述转换矩阵的平移矩阵进行标定,且通过惯性测量单元数据的欧拉角对所述转换矩阵的旋转矩阵进行标定;
第二标定模块,用于基于该帧点云和车体定位数据的转换矩阵,进而通过贪心算法对该帧点云和车体定位数据的转换矩阵进行标定。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-9中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092849.1A CN113269827B (zh) | 2020-02-14 | 2020-02-14 | 一种实现自动化标定的方法和计算装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010092849.1A CN113269827B (zh) | 2020-02-14 | 2020-02-14 | 一种实现自动化标定的方法和计算装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113269827A true CN113269827A (zh) | 2021-08-17 |
CN113269827B CN113269827B (zh) | 2024-04-05 |
Family
ID=77227322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010092849.1A Active CN113269827B (zh) | 2020-02-14 | 2020-02-14 | 一种实现自动化标定的方法和计算装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113269827B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848541A (zh) * | 2021-09-22 | 2021-12-28 | 深圳市镭神智能系统有限公司 | 一种标定的方法、装置、无人机及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108415032A (zh) * | 2018-03-05 | 2018-08-17 | 中山大学 | 一种基于深度学习与激光雷达的点云语义地图构建方法 |
US20190147250A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Semantic Segmentation of Three-Dimensional Data |
CN110596683A (zh) * | 2019-10-25 | 2019-12-20 | 中山大学 | 一种多组激光雷达外参标定系统及其方法 |
CN110703229A (zh) * | 2019-09-25 | 2020-01-17 | 禾多科技(北京)有限公司 | 点云去畸变方法及车载激光雷达到imu的外参标定方法 |
-
2020
- 2020-02-14 CN CN202010092849.1A patent/CN113269827B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190147250A1 (en) * | 2017-11-15 | 2019-05-16 | Uber Technologies, Inc. | Semantic Segmentation of Three-Dimensional Data |
CN108415032A (zh) * | 2018-03-05 | 2018-08-17 | 中山大学 | 一种基于深度学习与激光雷达的点云语义地图构建方法 |
CN110703229A (zh) * | 2019-09-25 | 2020-01-17 | 禾多科技(北京)有限公司 | 点云去畸变方法及车载激光雷达到imu的外参标定方法 |
CN110596683A (zh) * | 2019-10-25 | 2019-12-20 | 中山大学 | 一种多组激光雷达外参标定系统及其方法 |
Non-Patent Citations (1)
Title |
---|
"车载激光扫描系统的动态标定", pages 75 - 81 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113848541A (zh) * | 2021-09-22 | 2021-12-28 | 深圳市镭神智能系统有限公司 | 一种标定的方法、装置、无人机及计算机可读存储介质 |
CN113848541B (zh) * | 2021-09-22 | 2022-08-26 | 深圳市镭神智能系统有限公司 | 一种标定的方法、装置、无人机及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113269827B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3505869B1 (en) | Method, apparatus, and computer readable storage medium for updating electronic map | |
EP3620823B1 (en) | Method and device for detecting precision of internal parameter of laser radar | |
CN112634181B (zh) | 用于检测地面点云点的方法和装置 | |
US20200293751A1 (en) | Map construction method, electronic device and readable storage medium | |
CN109285188B (zh) | 用于生成目标物体的位置信息的方法和装置 | |
CN108279670B (zh) | 用于调整点云数据采集轨迹的方法、设备以及计算机可读介质 | |
CN109410735B (zh) | 反射值地图构建方法和装置 | |
CN109407073B (zh) | 反射值地图构建方法和装置 | |
CN110163900B (zh) | 用于调整点云数据方法和装置 | |
WO2010006254A2 (en) | System and methods for dynamically generating earth position data for overhead images and derived information | |
CN110390706B (zh) | 一种物体检测的方法和装置 | |
CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 | |
CN115272572A (zh) | 输电线路重建方法、装置、电子设备及存储介质 | |
CN109883398A (zh) | 基于无人机倾斜摄影的植株绿量提取的系统及方法 | |
CN112116549A (zh) | 用于评估点云地图精度的方法和装置 | |
CN114459471A (zh) | 定位信息确定方法、装置、电子设备及存储介质 | |
CN113607185A (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
CN111353453A (zh) | 用于车辆的障碍物检测方法和装置 | |
CN112036359A (zh) | 一种车道线的拓扑信息获得方法、电子设备及存储介质 | |
CN113269827B (zh) | 一种实现自动化标定的方法和计算装置 | |
WO2021143487A1 (zh) | 确定poi坐标 | |
CN113838129A (zh) | 一种获得位姿信息的方法、装置以及系统 | |
Lucks et al. | Improving trajectory estimation using 3D city models and kinematic point clouds | |
CN110927765B (zh) | 激光雷达与卫星导航融合的目标在线定位方法 | |
CN115620264B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 |
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 |