CN113340334A - 用于无人车的传感器标定方法、装置及电子设备 - Google Patents

Abstract

本公开涉及无人驾驶技术领域，提供了一种用于无人车的传感器标定方法、装置及电子设备。该方法应用于无人驾驶设备，即自动驾驶设备或无人车，包括：在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；利用预定的特征提取器分别对道路场景数据进行提取得到多个目标特征信息，其中，多个目标特征信息能够表征道路场景内的纵向特征；将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；基于标定结果对待标定传感器对应的外参进行更新。本公开能够提升传感器标定结果的准确性，提高无人车在大规模部署和应用中的适应性及鲁棒性。

Description

用于无人车的传感器标定方法、装置及电子设备

技术领域

本公开涉及无人驾驶技术领域，尤其涉及一种用于无人车的传感器标定方法、装置及电子设备。

背景技术

无人驾驶车辆，也称自动驾驶车辆、无人车，随着无人驾驶技术的发展，无人车的应用场景越来越广泛。通常无人车上会安装有很多传感器，用于感知和采集环境及障碍物数据，传感器的精确标定是无人驾驶系统的感知模块能够正常工作的先决条件之一。虽然无人车在出厂前会在标定间进行初始化标定，然而在无人车的长期行驶过程中传感器的位置可能会发生轻微变化，比如因安装结构松动引起的位置变化，这种位置变化将导致无人车的初始化标定的外参失效。

现有技术中，通过将传感器聚焦在某一个固定的空间位置，基于该空间位置处的目标（如行人或者车辆）进行检测，之后根据传感器的检测结果进行匹配实现传感器的标定。但是，这种方式所优化的标定结果只对当前目标所在的空间位置生效，不能够保证标定结果在不同的空间位置同样准确，由于无法保证同一标定结果在不同空间位置的准确性，因此极大降低了无人车在大规模部署和应用中的适应性及鲁棒性。

发明内容

有鉴于此，本公开实施例提供了一种用于无人车的传感器标定方法、装置及电子设备，以解决现有技术存在的极大降低无人车在大规模部署和应用中的适应性及鲁棒性的问题。

本公开实施例的第一方面，提供了一种用于无人车的传感器标定方法，包括：在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出多个目标特征信息，其中，多个目标特征信息能够表征道路场景内的纵向特征；将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。

本公开实施例的第二方面，提供了一种用于无人车的传感器标定装置，包括：获取模块，被配置为在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；提取模块，被配置为利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出目标特征信息，其中，目标特征信息能够表征道路场景内的纵向特征；优化模块，被配置为将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；更新模块，被配置为基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。

本公开实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。

本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：

通过在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出多个目标特征信息，其中，多个目标特征信息能够表征道路场景内的纵向特征；将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。本方案能够在无人车的行驶过程中，实现对传感器外参的在线标定，标定结果在不同空间位置同样准确，提高了无人车在大规模部署和应用中的适应性及鲁棒性。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术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公开的一些实施例，对于本领域普通技术人员来讲，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它的附图。

图1是相关技术中基于目标的标定方法在实际场景下涉及的整体架构示意图；

图2是本公开实施例提供的用于无人车的传感器标定方法的流程示意图；

图3是本公开实施例提供的用于无人车的传感器标定装置的结构示意图；

图4是本公开实施例提供的电子设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。

如前述内容，对于无人车来说，对安装在无人车上的传感器（如激光雷达、相机等）进行精确标定是无人驾驶系统的感知模块能够正常工作的先决条件之一。虽然无人车在出厂前会首先在标定间进行初始化标定，然而由于无人车在长期行驶过程中，传感器的位置难免会发生轻微变化，比如因安装结构的松动使得传感器的物理位置相对初始化标定的物理位置发生了改变，导致对传感器初始化标定的外参失效，外参失效将导致无人车的自动驾驶系统无法获取精准的数据，例如无法感知障碍物在坐标系内准确的位置。

目前，现有技术中通过基于目标（如行人或者汽车）的标定方法对传感器的外参进行标定，下面结合附图对相关技术中基于目标的标定方法的场景进行说明。图1是相关技术中基于目标的标定方法在实际场景下涉及的整体架构示意图。如图1所示，该场景下的整体架构主要包括以下内容：

无人车101基于一个位于固定空间位置处的目标（如图1中的行人102），利用传感器对行人102进行检测，根据传感器的检测结果对传感器之间的外参进行匹配和优化，将优化后得到的参数作为新的标定外参。例如：无人车101采集5米外的行人102，将激光雷达的检测结果和相机的检测结果做匹配，之后再进行迭代优化得到一个参数。

可见，现有的基于目标的传感器标定方法，通过将传感器（如激光雷达和相机）聚焦在某一个固定的空间位置，对该空间位置处的目标进行检测和参数优化，这种标定方式无法覆盖不同的空间位置，因此，标定结果只对当前目标所在位置是生效的，并不能保证在不同的空间位置同样适用。比如在上述例子中，只能保证参数在5米处点的位置是正确的，但是无法保证在其他距离（比如10米或20米的空间位置处）参数同样正确和适用，因此很难保证在其他距离内，传感器的外参都具有最佳结果。

接下来对本公开实施例进行详细说明。

图2是本公开实施例提供的用于无人车的传感器标定方法的流程示意图。图2的用于无人车的传感器标定方法可以由自动驾驶系统中的电子设备执行。如图2所示，该用于无人车的传感器标定方法具体可以包括：

S201，在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；

S202，利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出多个目标特征信息，其中，多个目标特征信息能够表征道路场景内的纵向特征；

S203，将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；

S204，基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。

具体地，在无人车的自动驾驶过程中，传感器不断地采集车辆四周的道路场景数据，比如在城市道路上行驶过程中，采集城市道路上的场景数据，道路场景数据中包括但不限于以下数据：环境数据（如天空、绿植等）、道路数据（地面、车道线等）、障碍物数据（行人、车辆等）。在实际应用中，由于传感器的类型不同，因此采集的数据的表现形式也不相同，例如：激光雷达采集到的道路场景数据是以3D点云数据的形式呈现的，而相机采集到的道路场景数据是以图像的形式呈现。

需要说明的是，本公开实施例中的道路场景既可以是车辆实际行驶道路上的场景，也可以是测试环境或者虚拟环境下的道路场景，具体应用场景上的变化不构成对本方案的限定。

进一步地，目标特征信息可以是道路场景中容易识别的且在道路场景中具有纵向空间位置的对象所对应的信息，其中，所谓纵向空间位置是指对象在道路场景中沿道路前后在空间距离上进行分布，即道路场景数据中的位置信息能够表征对象在道路空间位置上的深度和距离。例如，道路地面上的车道线就是一种容易识别且具有纵深特点的线特征，本公开以下实施例是以车道线信息作为目标特征信息，即通过提取道路场景数据中的车道线信息进行处理实现传感器的标定。但是，应当理解的是，本公开实施例中的目标特征信息的对象不限于车道线，其他符合上述要求的对象都可以作为目标特征信息提取的对象，比如车道之间的隔离板，道路两侧沿一定距离排列的电线杆等。

在本公开实施例中，代价函数可以认为是用于找到最优解的目的函数，代价函数也可以称为损失函数，通过最小化损失函数求解标定结果，实现对标定结果的优化，即代价函数越小，标定结果越准确。由于本方案是以具有纵向信息特征的车道线作为约束条件来生成代价函数（即定义代价函数），因此在车道的不同纵向空间距离上都可以实现标定结果的优化，优化出来的标定结果（即优化后的外参）能够覆盖车道线范围内的目标，保证优化后的外参在不同距离上都能生效并具有相同的标定效果。

进一步地，传感器的标定外参可以认为是传感器坐标系之间的转换关系，即将两个传感器的坐标系转换到同一坐标系时的旋转平移矩阵，传感器之间的外参可以表征传感器在同一坐标系下的相对位置关系。在实际应用中，这里的坐标系可以是世界坐标系、像素坐标系、车体坐标系或者某一传感器的坐标系（如激光雷达坐标系）。

根据本公开实施例提供的技术方案，通过在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出目标特征信息，其中，目标特征信息能够表征道路场景内的纵向特征；将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。本方案能够在无人车的行驶过程中，实现对传感器外参的在线标定，标定结果在不同空间位置同样准确，提高了无人车在大规模部署和应用中的适应性及鲁棒性。

在一些实施例中，至少两个待标定传感器包括一个待标定相机以及一个待标定激光雷达，道路场景数据包括图像数据和点云数据；在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据，包括：在无人车的行驶过程中，获取待标定相机按照预设的时间间隔采集到的图像数据，并获取待标定激光雷达按照相同的时间间隔采集到的点云数据。

具体地，本公开实施例中的传感器标定方法是针对两个传感器之间的外参标定来说的，比如标定激光雷达坐标系与相机坐标系之间的转换关系（即外参），但是，本公开实施例的传感器标定方法不限于两个传感器之间外参标定的场景。在实际应用中，进行外参标定的两个传感器既可以是相同类型的传感器，也可以是不同类型的传感器，比如相机与激光雷达之间的标定，或者两个激光雷达之间的标定等。本公开实施例是以一个相机与一个激光雷达之间的外参标定进行说明的，应当理解的是，传感器不限于相机和激光雷达。采用激光雷达作为其中一个标定对象的原因在于，在无人车中相机受车辆震动影响容易松动，而激光雷达的物理位置是相对准确且固定的，因此，使用激光雷达作为待标定目标可以提升标定结果的准确性。本实施例中的激光雷达可以是无人车上的主激光雷达。

进一步地，无人车在无人驾驶过程中，利用待标定传感器采集N组道路场景数据，例如，利用待标定相机（简称相机）每间隔几分钟采集一帧图像，并利用待标定激光雷达（简称激光雷达）每间隔几分钟采集一次3D点云数据。待标定相机与待标定激光雷达采集数据的时间间隔相等，且采集到的图像数据和点云数据在时间戳上是一致的，即采集的是同一时刻的数据，因此，相机采集的图像与激光雷达采集的点云是相同道路场景下的数据，图像与点云之间是相互对应的。

在一些实施例中，特征提取器包括线特征提取器，目标特征信息包括车道线信息；利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出多个目标特征信息，包括：在对图像数据中的目标特征信息进行提取时，利用DDRNet语义分割网络对图像数据中的目标特征进行分割，得到图像数据中的目标特征信息；在对点云数据中的目标特征信息进行提取时，利用RANSAC算法对点云数据中的目标特征进行分割，得到点云数据中的目标特征信息；其中，纵向特征为道路场景内与无人车之间能产生距离变化的特征。

具体地，针对不同传感器采集的道路场景数据，使用不同的特征提取器提取车道线信息，下面结合具体实施例对车道线信息的提取过程进行详细说明，具体可以包括以下内容：

针对相机采集的图像数据，利用DDRNet（道路场景实时语义分割算法）分割网络实现车道线信息的提取。具体地，DDRNet分割网络结构包括一个主干网络和两个深度学习分支，其中，一个深度学习分支负责维持高分辨率的特征图，生成相对高分辨率的特征映射；另一个深度学习分支通过多次下采样操作提取丰富的上下文信息。在实际应用中，本公开实施例的DDRNet分割网络是利用车道线的语义信息训练生成的。

针对激光雷达采集的点云数据，随机抽样一致算法（RANdomSAmple Consensus,RANSAC）实现车道线信息的提取。具体地，RANSAC算法可以从一组包含“局外点”的观测数据集中，通过迭代方式估计数学模型的参数，它是一种不确定的算法，有一定的概率得出一个合理的结果，因此为了提高得到合理结果的概率需要增加迭代次数。

进一步地，在一些实施例中，利用RANSAC算法对点云数据中的目标特征进行分割，得到点云数据中的目标特征信息，包括：利用基于RANSAC的平面拟合算法对点云数据中的地面信息进行提取；根据待标定激光雷达对应的反射强度，将地面信息中高于预设阈值的反射强度所对应的信息提取出来；利用基于RANSAC的直线拟合算法去除提取出来的信息中的噪声点和高反射强度对象，得到点云数据中的目标特征信息。

具体地，利用RANSAC算法提取点云数据中的车道线信息时，主要包括三个处理阶段，即地面信息提取、车道线信息提取以及噪声去除。需要说明的是，由于激光雷达采集的点云数据中具有与反射强度相关的参数，而地面信息中路面和车道线的反射强度是不一样的，车道线的反射强度高于路面的反射强度，基于激光雷达反射强度的这种特性，从地面信息中提取出车道线信息。

这里，无论是利用DDRNet分割网络提取出来的车道线信息，还是利用RANSAC算法提取出来的车道线信息，这些车道信息都属于车道线的语义信息，因此后面利用代价函数优化标定结果的过程是基于车道线的语义信息来实现的，其中，图像数据中的车道线语义信息对应从图像分割出来的多个区域，点云数据中的车道线语义信息对应从点云上提取出来的多个点。

在一些实施例中，将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果，包括：将提取出的目标特征信息作为约束条件，根据约束条件定义代价函数，用前一次标定的外参作为初始参数，在代价函数中进行迭代计算，直至迭代计算出最小代价函数，将最小代价函数对应的结果作为标定结果；其中，代价函数用于衡量在给定的参数空间下图像数据和点云数据的一致性。

具体地，利用提取出来的车道线信息（即车道线的语义信息）作为约束条件来定义代价函数，定义代价函数可以理解为将约束条件作为代价函数中的一部分来产生新的代价函数，参数空间是指为代价函数中的外参所设置的取值范围。迭代优化的过程可以认为是先用标定间标定的外参作为初始参数，然后基于每次迭代计算产生的最优参数，随机搜索参数空间来微调外参，迭代的过程就是遍历参数空间的过程。

进一步地，下面结合具体实施例对代价函数的内容进行说明，代价函数采用以下函数式：

其中，

表示点云数据中目标特征对应的点

投影的像素与对应图像数据中目标特征掩模的一致性，

表示从图像数据中提取出的目标特征的区域，

表示点云数据中目标特征对应的点，

表示

对应的点的个数，

表示目标特征，

表示待标定相机的坐标系与待标定激光雷达的坐标系之间的转换，

表示点云数据到图像平面上的投影函数，

表示待标定激光雷达对应的坐标系。点云数据中的点用

表示，

表示给定的参数空间，

左上角的句号样式的符号表示

和

的内积。

在一些实施例中，基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，包括：当检测到无人车退出自动驾驶模式后，在自动驾驶系统的配置参数中，将标定结果作为新外参对待标定传感器的原外参进行替换，以使待标定传感器被重新标定；其中，标定结果中包括用于对待标定传感器的坐标系之间进行转换时的旋转平移矩阵。

具体地，通过在参数空间内进行遍历计算最小代价函数，将代价函数的值最小时对应的结果作为标定结果，标定结果即优化后的外参，当无人车退出自动驾驶模式后，自动驾驶系统基于优化后的外参对原始配置的参数进行替换，从而实现待标定传感器的外参的更新，待标定传感器将被重新标定。

根据本公开实施例提供的技术方案，在无人车自动驾驶过程中，利用激光雷达和相机采集道路场景数据，并提取数据中的车道线信息，利用车道线的语义信息作为约束条件设计代价函数来衡量在给定的外参下图像和点云的一致性。由于车道线是一种具有纵向深度的线特征，因此，车道线信息能够表达不同距离的空间位置，基于车道线信息定义代价函数，通过在代价函数中将外参在一定的参数范围内进行遍历，从而迭代计算最小代价函数，实现标定结果的优化。本方案实现了在无人车自动驾驶过程中对传感器的在线标定，解决了无人车在长期自动驾驶过程中由于传感器位置变化导致标定结果失效的问题，提高在线标定结果的鲁棒性。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图3是本公开实施例提供的用于无人车的传感器标定装置的结构示意图。如图3所示，该用于无人车的传感器标定装置包括：

获取模块301，被配置为在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；

提取模块302，被配置为利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出目标特征信息，其中，目标特征信息能够表征道路场景内的纵向特征；

优化模块303，被配置为将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；

更新模块304，被配置为基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。

在一些实施例中，至少两个待标定传感器包括一个待标定相机以及一个待标定激光雷达，道路场景数据包括图像数据和点云数据；图3的获取模块301在无人车的行驶过程中，获取待标定相机按照预设的时间间隔采集到的多组图像数据，并获取待标定激光雷达按照相同的时间间隔采集到的多组点云数据；其中，道路场景数据中包含无人车对应的行驶道路前方的环境数据。

在一些实施例中，特征提取器包括线特征提取器，目标特征信息包括车道线信息；图3的提取模块302在对图像数据中的车道线信息进行提取时，利用DDRNet语义分割网络对图像数据中的车道线进行分割，得到图像数据中的车道线信息；在对点云数据中的车道线信息进行提取时，利用RANSAC算法对点云数据中的车道线进行分割，得到点云数据中的车道线信息。

在一些实施例中，图3的提取模块302利用基于RANSAC的平面拟合算法对点云数据中的地面信息进行提取；根据待标定激光雷达对应的反射强度，将地面信息中高于预设阈值的反射强度所对应的信息提取出来；利用基于RANSAC的直线拟合算法去除提取出来的信息中的噪声点和高反射强度对象，得到点云数据中的车道线信息。

在一些实施例中，图3的优化模块303将提取出的车道线信息作为约束条件，根据约束条件定义代价函数，用前一次标定的外参作为初始参数，在代价函数中进行迭代计算，直至迭代计算出最小代价函数，将最小代价函数对应的结果作为标定结果；其中，代价函数用于衡量在给定的参数空间下图像数据和点云数据的一致性。

在一些实施例中，代价函数采用以下函数式：

其中，

表示点云数据中车道线对应的点

投影的像素与对应图像数据中车道线掩模的一致性，

表示从图像数据中提取出的车道线的区域，

表示点云数据中车道线对应的点，

表示

对应的点的个数，

表示车道线，

表示待标定相机的坐标系与待标定激光雷达的坐标系之间的转换，

表示点云数据到图像平面上的投影函数，

表示待标定激光雷达对应的坐标系。

在一些实施例中，图3的更新模块304当检测到无人车退出自动驾驶模式后，在自动驾驶系统的配置参数中，将标定结果作为新外参对待标定传感器的原外参进行替换，以使待标定传感器被重新标定；其中，标定结果中包括用于对待标定传感器的坐标系之间进行转换时的旋转平移矩阵。

应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本公开实施例的实施过程构成任何限定。

图4是本公开实施例提供的电子设备4的结构示意图。如图4所示，该实施例的电子设备4包括：处理器401、存储器402以及存储在该存储器402中并且可以在处理器401上运行的计算机程序403。处理器401执行计算机程序403时实现上述各个方法实施例中的步骤。或者，处理器401执行计算机程序403时实现上述各装置实施例中各模块/单元的功能。

示例性地，计算机程序403可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本公开。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序403在电子设备4中的执行过程。

电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备4可以包括但不仅限于处理器401和存储器402。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4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，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。

处理器401可以是中央处理单元（Central Processing Unit，CPU），也可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器402可以是电子设备4的内部存储单元，例如，电子设备4的硬盘或内存。存储器402也可以是电子设备4的外部存储设备，例如，电子设备4上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器402还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器402用于存储计算机程序以及电子设备所需的其它程序和数据。存储器402还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

在本公开所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

以上实施例仅用以说明本公开的技术方案，而非对其限制；尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本公开各实施例技术方案的精神和范围，均应包含在本公开的保护范围之内。

Claims (10)

1.一种用于无人车的传感器标定方法，其特征在于，包括：

在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；

利用预定的特征提取器分别对所述道路场景数据进行提取，以便从所述道路场景数据中提取出多个目标特征信息，其中，多个所述目标特征信息能够表征道路场景内的纵向特征；

将所述目标特征信息作为预设的代价函数的约束条件，利用所述代价函数以及参数空间进行迭代优化处理，得到所述迭代优化处理后的标定结果；

基于所述标定结果对所述待标定传感器对应的外参进行更新，以便完成对所述待标定传感器的标定，其中，所述外参用于表示所述待标定传感器之间的相对位置关系。

2.根据权利要求1所述的方法，其特征在于，所述至少两个待标定传感器包括一个待标定相机以及一个待标定激光雷达，所述道路场景数据包括图像数据和点云数据；

所述在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据，包括：

在所述无人车的行驶过程中，获取所述待标定相机按照预设的时间间隔采集到的图像数据，并获取所述待标定激光雷达按照相同的所述时间间隔采集到的点云数据。

3.根据权利要求2所述的方法，其特征在于，所述特征提取器包括线特征提取器，所述利用预定的特征提取器分别对所述道路场景数据进行提取，以便从所述道路场景数据中提取出多个目标特征信息，包括：

在对所述图像数据中的目标特征信息进行提取时，利用DDRNet语义分割网络对所述图像数据中的目标特征进行分割，得到所述图像数据中的目标特征信息；

在对所述点云数据中的目标特征信息进行提取时，利用RANSAC算法对所述点云数据中的目标特征进行分割，得到所述点云数据中的目标特征信息；

其中，所述纵向特征为道路场景内与所述无人车之间能产生距离变化的特征。

4.根据权利要求3所述的方法，其特征在于，所述利用RANSAC算法对所述点云数据中的目标特征进行分割，得到所述点云数据中的目标特征信息，包括：

利用基于RANSAC的平面拟合算法对所述点云数据中的地面信息进行提取；

根据所述待标定激光雷达对应的反射强度，将所述地面信息中高于预设阈值的反射强度所对应的信息提取出来；

利用基于RANSAC的直线拟合算法去除所述提取出来的信息中的噪声点和高反射强度对象，得到所述点云数据中的目标特征信息。

5.根据权利要求3所述的方法，其特征在于，所述将所述目标特征信息作为预设的代价函数的约束条件，利用所述代价函数以及参数空间进行迭代优化处理，得到所述迭代优化处理后的标定结果，包括：

将提取出的所述目标特征信息作为约束条件，根据所述约束条件定义所述代价函数，用前一次标定的外参作为初始参数，在所述代价函数中进行迭代计算，直至迭代计算出最小代价函数，将最小代价函数对应的结果作为标定结果；

其中，所述代价函数用于衡量在给定的所述参数空间下图像数据和点云数据的一致性。

6.根据权利要求1所述的方法，其特征在于，所述代价函数采用以下函数式：

其中，

表示点云数据中目标特征对应的点

投影的像素与对应图像数据中目标特征掩模的一致性，

表示从图像数据中提取出的目标特征的区域，

表示点云数据中目标特征对应的点，

表示

对应的点的个数，

表示目标特征，

表示待标定相机的坐标系与待标定激光雷达的坐标系之间的转换，

表示点云数据到图像平面上的投影函数，

表示待标定激光雷达对应的坐标系。

7.根据权利要求1所述的方法，其特征在于，所述基于所述标定结果对所述待标定传感器对应的外参进行更新，以便完成对所述待标定传感器的标定，包括：

当检测到所述无人车退出自动驾驶模式后，在自动驾驶系统的配置参数中，将所述标定结果作为新外参对所述待标定传感器的原外参进行替换，以使所述待标定传感器被重新标定；

其中，所述标定结果中包括用于对所述待标定传感器的坐标系之间进行转换时的旋转平移矩阵。

8.根据权利要求1-7中任一项所述的方法，其特征在于，所述目标特征信息包括车道线信息，目标特征为车道线。

9.一种用于无人车的传感器标定装置，其特征在于，包括：

获取模块，被配置为在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；

提取模块，被配置为利用预定的特征提取器分别对所述道路场景数据进行提取，以便从所述道路场景数据中提取出目标特征信息，其中，所述目标特征信息能够表征道路场景内的纵向特征；

优化模块，被配置为将所述目标特征信息作为预设的代价函数的约束条件，利用所述代价函数以及参数空间进行迭代优化处理，得到所述迭代优化处理后的标定结果；

更新模块，被配置为基于所述标定结果对所述待标定传感器对应的外参进行更新，以便完成对所述待标定传感器的标定，其中，所述外参用于表示所述待标定传感器之间的相对位置关系。

10.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至8中任一项所述的方法。

Images