CN113436233A - 自动驾驶车辆的配准方法、装置、电子设备和车辆 - Google Patents
自动驾驶车辆的配准方法、装置、电子设备和车辆 Download PDFInfo
- Publication number
- CN113436233A CN113436233A CN202110725467.2A CN202110725467A CN113436233A CN 113436233 A CN113436233 A CN 113436233A CN 202110725467 A CN202110725467 A CN 202110725467A CN 113436233 A CN113436233 A CN 113436233A
- Authority
- CN
- China
- Prior art keywords
- coordinate system
- vehicle
- radar
- camera
- mapping relation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013507 mapping Methods 0.000 claims abstract description 134
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 25
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009616 inductively coupled plasma Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种自动驾驶车辆的配准方法、装置、电子设备和车辆，涉及自动驾驶、智能交通等领域。实现方案为：获取车载相机采集的标定空间的采集图像，其中标定空间所处参考坐标系中第一坐标对应位置设置有参考物，根据参考物在参考坐标系中的第一坐标及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系，并根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系，以根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。由此，可实现自动对车载雷达与车载相机进行标定。
Description
技术领域
本申请涉及自动驾驶、智能交通等AI(Artificial Intelligence，人工智能)领域，尤其涉及自动驾驶车辆的配准方法、装置、电子设备和车辆。
背景技术
在自动驾驶车辆行驶过程中，需要多种传感器协同作业来完成车体的感知和定位，其中，利用多种传感器协同作业的前提是已知各传感器之间的坐标转换关系，各传感器之间的坐标转换关系可以预先标定得到。比如，当前各种无人车平台上，可以通过激光雷达(探测三维环境信息)与相机(解读环境中的纹理信息)，来完成更加精确地定位与感知，因此，如何对激光雷达与相机进行标定是非常重要的。
发明内容
本申请提供了一种用于自动驾驶车辆的配准方法、装置、电子设备和车辆。
根据本申请的一方面，提供了一种自动驾驶车辆的配准方法，包括：
通过车辆的车载相机获取标定空间的采集图像；其中，所述标定空间所处参考坐标系中第一坐标对应位置设置有参考物；
根据所述参考物在所述参考坐标系中的第一坐标，以及在所述采集图像所处相机坐标系中所述参考物的第二坐标，确定所述参考坐标系与所述相机坐标系之间的第一映射关系；
根据所述车辆的车载雷达在所述标定空间内采集的点云和所述参考坐标系下对所述标定空间预先标定的点云，确定所述车载雷达的雷达坐标系与所述参考坐标系之间的第二映射关系；
根据所述第一映射关系和所述第二映射关系，确定用于配准的所述雷达坐标系与所述相机坐标系之间的目标映射关系。
根据本申请的另一方面，提供了一种自动驾驶车辆的配准装置，包括：
获取模块，用于通过车辆的车载相机获取标定空间的采集图像；其中，所述标定空间所处参考坐标系中第一坐标对应位置设置有参考物；
第一确定模块，用于根据所述参考物在所述参考坐标系中的第一坐标，以及在所述采集图像所处相机坐标系中所述参考物的第二坐标，确定所述参考坐标系与所述相机坐标系之间的第一映射关系；
第二确定模块，用于根据所述车辆的车载雷达在所述标定空间内采集的点云和所述参考坐标系下对所述标定空间预先标定的点云，确定所述车载雷达的雷达坐标系与所述参考坐标系之间的第二映射关系；
第三确定模块，用于根据所述第一映射关系和所述第二映射关系，确定用于配准的所述雷达坐标系与所述相机坐标系之间的目标映射关系。
根据本申请的又一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请上述一方面提出的自动驾驶车辆的配准方法。
根据本申请的再一方面，提供了一种计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请上述一方面提出的自动驾驶车辆的配准方法。
根据本申请的还一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现本申请上述一方面提出的自动驾驶车辆的配准方法。
根据本申请的还一方面，提供了一种自动驾驶车辆，包括本申请上述又一方面提出的电子设备。
应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请实施例一所提供的自动驾驶车辆的配准方法的流程示意图；
图2为本申请实施例二所提供的自动驾驶车辆的配准方法的流程示意图；
图3为本申请实施例三所提供的自动驾驶车辆的配准方法的流程示意图；
图4为本申请实施例四所提供的自动驾驶车辆的配准方法的流程示意图；
图5为本申请实施例中的标定空间示意图；
图6为本申请实施例的标定过程示意图；
图7为本申请实施例五所提供的自动驾驶车辆的配准装置的结构示意图；
图8示出了可以用来实施本申请的实施例的示例电子设备的示意性框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请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，而不会背离本申请的范围和精神。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。
相关技术中，激光雷达与相机的标定过程主要包括以下两种：
第一种，用户在UI(User Interface，用户界面)上手动分割出点云中的标定板区域，将激光雷达坐标系下手动分割的点云与相机坐标系中的标定板平面进行对齐，以使两个平面重合，即可完成标定过程。
第二种，利用街景信息，分别从图像及点云中提取物体边缘，然后使用在初始外参附近加窗采样的方式，将图像点云互相关系数最大的一组作为标定后的外参。
然而，上述第一种方式，在标定时需要用户在UI界面上手动分割出标定板区域，人力成本较高，且不具备大规模量产的可能性。此外，由于标定板区域较小，对于外参的约束并不足，往往也难以得到准确的外参标定效果。
上述第二种方式，由于激光雷达与相机数据的特性不同，激光雷达数据对距离敏感而对纹理不敏感，相机数据对纹理敏感而对距离不敏感，二者边缘提取往往并不一致，且在初始外参附近加窗采样的方式往往需要大量的计算，比如外参具有6个自由度，若每个自由度取10个采样点，则需进行106次投影及互相关系数计算，计算速度较慢且标定效果不佳。
因此针对上述存在的问题，本申请提出一种自动驾驶车辆的配准方法、装置、电子设备和车辆。
下面参考附图描述本申请实施例的自动驾驶车辆的配准方法、装置、电子设备和车辆。
图1为本申请实施例一所提供的自动驾驶车辆的配准方法的流程示意图。
本申请实施例以该自动驾驶车辆的配准方法被配置于自动驾驶车辆的配准装置中来举例说明，该配准装置可以应用于任一电子设备中，以使该电子设备可以执行配准功能。
其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示，该自动驾驶车辆的配准方法可以包括以下步骤：
步骤101，通过车辆的车载相机获取标定空间的采集图像；其中，标定空间所处参考坐标系中第一坐标对应位置设置有参考物。
在本申请实施例中，参考物可以为设置在标定空间中的任一物体，比如，参考物可以为设置在标定空间内的墙体上的二维的位置标识，其中位置标识上可以展示有图案、标记点等，或者，为了便于识别参考物，参考物还可以为设置在标定空间内的墙体上的二维码、条形码，等等，本申请对此并不做限制。
在本申请实施例中，参考物在标定空间所处的参考坐标系中的第一坐标可以预先获取，比如，可以通过人工获取参考物在参考坐标系中的第一坐标。
在本申请实施例中，车辆上的车载相机可以对标定空间进行图像采集，本申请中的配准装置可以与车载相机进行通信，获取车载相机采集的标定空间对应的采集图像。
步骤102，根据参考物在参考坐标系中的第一坐标，以及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系。
在本申请实施例中，参考物在采集图像所处相机坐标系中第二坐标可以计算得到。例如，可以确定参考物在采集图像中的坐标，根据参考物在采集图像中的坐标，确定上述第二坐标。
作为一种示例，以参考物在采集图像中的坐标为参考物在图像坐标系中的坐标进行示例，可以根据相机坐标系和图像坐标系之间的转换关系，以及参考物在图像坐标系中的坐标，确定参考物在相机坐标系中的第二坐标。同理，当参考物在采集图像中的坐标为参考物在像素坐标系中的坐标时，根据可以根据相机坐标系和像素坐标系之间的转换关系，以及参考物在像素坐标系中的坐标，确定参考物在相机坐标系中的第二坐标。
在本申请实施例中，可以根据参考物在参考坐标系中的第一坐标，以及参考物在采集图像所处相机坐标系中的参考物的第二坐标，采用PnP(Pespective-n-Point)算法，确定参考坐标系与相机坐标系之间的第一映射关系。
其中，PnP算法可以包括P3P、EPnP、UPnP、DLT(Direct Linear Transform)、优化求解等算法。
步骤103，根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系。
在本申请实施例中，对标定空间预先标定的点云，可以为预先采用高精度雷达在参考坐标系下，对标定空间测绘得到的点云。
在本申请实施例中，可以基于ICP(Iterative Closest Point，最近邻迭代)算法，结合车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系。
步骤104，根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。
在本申请实施例中，可以根据参考坐标系与相机坐标系之间的第一映射关系，以及雷达坐标系与参考坐标系之间的第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。由此，可以实现自动对车载雷达与车载相机进行标定，得到雷达坐标系与相机坐标系之间的目标映射关系，实现了标定的自动化。并且，在确定目标映射关系的过程中，结合了真实环境(即标定空间)中的一些环境参数，即相当于引入了周围环境的真值，可以提升标定精度。
本申请实施例的自动驾驶车辆的配准方法，通过获取车载相机采集的标定空间的采集图像，其中，标定空间所处参考坐标系中第一坐标对应位置设置有参考物，根据参考物在参考坐标系中的第一坐标，以及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系，并根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系，以根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。由此，可以实现自动对车载雷达与车载相机进行标定，得到雷达坐标系与相机坐标系之间的映射关系，上述标定过程无需用户手动操作，可以提升标定效率和标定结果的准确性。
在本申请实施例的一种可能的实现方式中，为了提升雷达坐标系与参考坐标系之间的第二映射关系确定结果的准确性，可以根据相机坐标系与雷达坐标系之间的初始关系，以及参考坐标系与相机坐标系之间的第一映射关系，确定雷达坐标系与参考坐标系之间的初始关系，并对雷达坐标系与参考坐标系之间的初始关系进行修正，得到上述第二映射关系。下面结合实施例二，对上述过程进行详细说明。
图2为本申请实施例二所提供的自动驾驶车辆的配准方法的流程示意图。
如图2所示，该自动驾驶车辆的配准方法可以包括以下步骤：
步骤201，通过车辆的车载相机获取标定空间的采集图像；其中，标定空间所处参考坐标系中第一坐标对应位置设置有参考物。
步骤202，根据参考物在参考坐标系中的第一坐标，以及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系。
步骤201至202的执行过程可以参见上述实施例中步骤101至102的执行过程，在此不做赘述。
步骤203，获取相机坐标系与车载雷达的雷达坐标系之间的第一初始关系。
在本申请实施例中，可以获取车载相机的相机坐标系与车载雷达的雷达坐标系之间的第一初始关系。
作为一种可能的实现方式，该第一初始关系可以内置在车辆(比如无人车)中，比如可以针对不同车型的车辆，预先标定得到相机坐标系与雷达坐标系之间的第一初始关系，并将第一初始关系内置于车辆中。
作为另一种可能的实现方式，为了提升第一初始关系确定结果的准确性，可以将相机坐标系下的采集图像与雷达坐标系下采集的点云进行轮廓对齐，以得到相机坐标系与雷达坐标系之间的第一初始关系。
步骤204，根据第一初始关系和第一映射关系，确定雷达坐标系与参考坐标系之间的第二初始关系。
在本申请实施例中，可以根据相机坐标系与雷达坐标系之间的第一初始关系，以及参考坐标系与相机坐标系之间的第一映射关系，确定雷达坐标系与参考坐标系之间的第二初始关系。
作为一种示例，标记参考坐标系为Ch，相机坐标系为Cc，雷达坐标系为Cl，可以根据Cc与Cl之间的第一初始关系，以及Ch与Cc之间的第一映射关系，确定Cl与Ch之间的第二初始关系。
步骤205，根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云之间的差异，对第二初始关系进行修正，得到雷达坐标系与参考坐标系之间的第二映射关系。
在本申请实施例中，可以利用ICP算法匹配车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，根据车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云之间的差异，对第二初始关系进行修正，得到雷达坐标系与参考坐标系之间的第二映射关系。例如，可以对第二初始关系进行修正，以使上述差异最小化，将修正后的第二初始关系作为第二映射关系。
步骤206，根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。
步骤206的执行过程可以参见上述实施例中步骤104的执行过程，在此不做赘述。
本申请实施例的自动驾驶车辆的配准方法，通过根据相机坐标系与雷达坐标系之间的第一初始关系，以及参考坐标系与相机坐标系之间的第一映射关系，确定雷达坐标系与参考坐标系之间的第二初始关系，并根据车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云之间的差异，对雷达坐标系与参考坐标系之间的第二初始关系进行修正，得到雷达坐标系与参考坐标系之间的第二映射关系，可以提升第二映射关系确定结果的准确性。
在本申请实施例的一种可能的实现方式中，为了提升目标映射关系确定结果的准确性，还可以联合优化重投影误差，对雷达坐标系与相机坐标系之间的目标映射关系进行修正。下面结合实施例三，对上述过程进行详细说明。
图3为本申请实施例三所提供的自动驾驶车辆的配准方法的流程示意图。
如图3所示，该自动驾驶车辆的配准方法可以包括以下步骤：
步骤301，通过车辆的车载相机获取标定空间的采集图像；其中，标定空间所处参考坐标系中第一坐标对应位置设置有参考物。
步骤302，根据参考物在参考坐标系中的第一坐标，以及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系。
步骤303，根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系。
步骤304，根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。
步骤301至304的执行过程可以参见上述任一实施例，在此不做赘述。
步骤305，根据第二映射关系，将参考物在参考坐标系中的第一坐标变换至雷达坐标系下，以得到参考物在雷达坐标系下的坐标。
在本申请实施例中，可以根据车载雷达的雷达坐标系与参考坐标系之间的第二映射关系，将参考物在参考坐标系中的第一坐标变换至雷达坐标系下，得到该参考物在雷达坐标系下的坐标。
步骤306，根据目标映射关系，将参考物从雷达坐标系下重投影至相机坐标系，得到参考物在相机坐标系中的重投影坐标。
在本申请实施例中，可以根据雷达坐标系与相机坐标系之间的目标映射关系，将参考物在雷达坐标系中的坐标重投影至相机坐标系中，得到参考物在相机坐标系中的重投影坐标。
步骤307，根据重投影坐标与第二坐标之间的差异，修正目标映射关系。
在本申请实施例中，可以根据参考物在相机坐标系中的重投影坐标，以及该参考物在相机坐标系中的第二坐标之间的差异，修正目标映射关系，即可以根据重投影坐标与第二坐标构造重投影误差，根据重投影误差，优化目标映射关系，以提升目标映射关系确定结果的准确性。
在本申请实施例的一种可能的实现方式中，为了提升目标映射关系修正结果的准确性和可靠性，可以对目标映射关系进行误差修正，以使重投影坐标与第二坐标之间的差异最小化。
本申请实施例的自动驾驶车辆的配准方法，通过根据第二映射关系，将参考物在参考坐标系中的第一坐标变换至雷达坐标系下，以得到参考物在雷达坐标系下的坐标；根据目标映射关系，将参考物从雷达坐标系下重投影至相机坐标系，得到参考物在相机坐标系中的重投影坐标；根据重投影坐标与第二坐标之间的差异，修正目标映射关系。由此，可以实现联合优化重投影误差，对雷达坐标系与相机坐标系之间的目标映射关系进行修正，可以提升目标映射关系确定结果的准确性。
需要说明的是，PnP算法需要根据至少三个参考物的坐标位置才能实现不同坐标系之间的映射关系的确定，因此，在本申请实施例的一种可能的实现方式中，为了实现有效确定参考坐标系与相机坐标系之间的第一映射关系，标定空间内可以设置有多个参考物。下面结合实施例四，对上述过程进行详细说明。
图4为本申请实施例四所提供的自动驾驶车辆的配准方法的流程示意图。
如图4所示，该自动驾驶车辆的配准方法可以包括以下步骤：
步骤401，通过车辆的车载相机获取标定空间的采集图像；其中，标定空间所处参考坐标系中第一坐标对应位置设置有参考物，标定空间内的至少一个墙体设置有多个参考物。
步骤401的执行过程可以参见上述实施例中步骤101的执行过程，在此不做赘述。
在本申请实施例中，为了实现有效确定参考坐标系与相机坐标系之间的第一映射关系，标定空间内的至少一个墙体可以设置有多个参考物。以参考物为二维码进行示例性说明，为了便于识别各参考物，如图5所示，可以在标定空间的各个墙体上设置多个图案不重复的二维码，可以将搭载有车载相机和车载雷达(比如激光雷达)的车辆停放至标定空间内。
作为一种可能的实现方式，可以使用高精度的测绘级激光设备(例如riegl激光扫描仪)，构建标定空间对应的三维的点云模型，同时在该三维的点云模型中人工获取每个参考物对应的三维的第一坐标。
需要说明的是，上述点云模型的建立过程只需执行一次，即在标定空间建立后执行一次，后续即可采用该点云模型标定任意数量的车辆，以降低处理负担。
步骤402，根据各参考物在参考坐标系中的第一坐标，以及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系。
在本申请实施例中，可以根据各参考物在参考坐标系中的第一坐标，以及各参考物在采集图像所处相机坐标系中参考物的第二坐标，采用PnP算法，确定参考坐标系与相机坐标系之间的第一映射关系。
步骤403，根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系。
步骤404，根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。
步骤402至404的执行过程可以参见上述任一实施例，在此不做赘述。
作为一种示例，标定过程可以如图6所示，在建设标定空间时，可以如图5所示，在标定空间的各个墙体上设置图案不重复的二维码。可以使用高精度的测绘级激光设备(例如riegl激光扫描仪)，构建标定空间对应的三维的点云模型，同时在该三维的点云模型中人工获取每个二维码对应的三维的第一坐标，即获取每个二维码在参考坐标系Ch中的第一坐标。
可以获取车载相机在标定空间内的采集图像，确定各二维码在相机坐标系Cc中的二维坐标，并查询各二维码在参考坐标系Ch中的第一坐标，再利用PnP算法，结合相机内参，确定Cc和Ch之间的关系。
获取Cc和雷达坐标系Cl之间的初始关系，根据Cc和Ch之间的关系，以及Cc和Cl之间的初始关系，确定Cl与Ch之间的初始关系，利用ICP算法匹配车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，来对Cl与Ch之间的初始关系进行更新，得到Cl和Ch之间的关系。
根据Cc和Ch之间的关系，以及Cl和Ch之间的关系，确定Cl与CC的粗略关系，联合优化重投影误差，对Cl与CC的粗略关系进行修正，得到Cl与CC的精确关系，即可以根据重投影误差，优化车载雷达和车载相机外参，得到更精确的外参数值。
由此，可以实现在不需要用户手动分离标定板区域的情况下，自动完成标定，节约了人力成本，实现了标定过程的自动化，同时，由于使用了预先测绘好的标定空间，相当于引入了周围环境的真值，可以提升标定精度。即本申请中，并非通过用户手动分割标定板区域的方式完成标定过程，而是使用预先测绘好的标定空间关联车载雷达及车载相机之间的关系，提升了标定的效率与精度。
本申请实施例的自动驾驶车辆的配准方法，通过在标定空间内的至少一个墙体设置有多个参考物，可以有效确定参考坐标系与相机坐标系之间的第一映射关系。
与上述图1至图4实施例提供的自动驾驶车辆的配准方法相对应，本申请还提供一种自动驾驶车辆的配准装置，由于本申请实施例提供的自动驾驶车辆的配准装置与上述图1至图4实施例提供的自动驾驶车辆的配准方法相对应，因此在自动驾驶车辆的配准方法的实施方式也适用于本申请实施例提供的自动驾驶车辆的配准装置，在本申请实施例中不再详细描述。
图7为本申请实施例五所提供的自动驾驶车辆的配准装置的结构示意图。
如图7所示，该自动驾驶车辆的配准装置700可以包括：获取模块710、第一确定模块720、第二确定模块730以及第三确定模块740。
其中，获取模块710，用于通过车辆的车载相机获取标定空间的采集图像；其中，标定空间所处参考坐标系中第一坐标对应位置设置有参考物。
第一确定模块720，用于根据参考物在参考坐标系中的第一坐标，以及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系。
第二确定模块730，用于根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系。
第三确定模块740，用于根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。
在本申请实施例的一种可能的实现方式中，第二确定模块730，包括：
获取单元，用于获取相机坐标系与雷达坐标系之间的第一初始关系。
确定单元，用于根据第一初始关系和第一映射关系，确定雷达坐标系与参考坐标系之间的第二初始关系。
修正单元，用于根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云之间的差异，对第二初始关系进行修正，得到第二映射关系。
在本申请实施例的一种可能的实现方式中，获取单元，具体用于：将相机坐标系下的采集图像与雷达坐标系下采集的点云进行轮廓对齐，以得到相机坐标系与雷达坐标系之间的第一初始关系。
在本申请实施例的一种可能的实现方式中，该自动驾驶车辆的配准装置700还可以包括：
变换模块，用于根据第二映射关系，将参考物在参考坐标系中的第一坐标变换至雷达坐标系下，以得到参考物在雷达坐标系下的坐标。
重投影模块，用于根据目标映射关系，将参考物从雷达坐标系下重投影至相机坐标系，得到参考物在相机坐标系中的重投影坐标。
修正模块，用于根据重投影坐标与第二坐标之间的差异，修正目标映射关系。
在本申请实施例的一种可能的实现方式中，修正模块，具体用于：对目标映射关系进行误差修正，以使重投影坐标与第二坐标之间的差异最小化。
在本申请实施例的一种可能的实现方式中，标定空间内的至少一个墙体设置有多个参考物。
本申请实施例的自动驾驶车辆的配准装置，通过获取车载相机采集的标定空间的采集图像，其中，标定空间所处参考坐标系中第一坐标对应位置设置有参考物，根据参考物在参考坐标系中的第一坐标，以及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系，并根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系，以根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。由此，可以实现自动对车载雷达与车载相机进行标定，得到雷达坐标系与相机坐标系之间的映射关系，上述标定过程无需用户手动操作，可以提升标定效率和标定结果的准确性。
为了实现上述实施例，本申请还提供一种电子设备，该电子设备可以包括至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行本申请上述任一实施例提出的自动驾驶车辆的配准方法。
为了实现上述实施例，本申请还提供一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行本申请上述任一实施例提出的自动驾驶车辆的配准方法。
为了实现上述实施例，本申请还提供一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现本申请上述任一实施例提出的自动驾驶车辆的配准方法。
为了实现上述实施例，本申请还提供一种自动驾驶车辆，其中，该自动驾驶车辆包括本申请上述实施例提出的电子设备。
根据本申请的实施例，本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了可以用来实施本申请的实施例的示例电子设备的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，设备800包括计算单元801，其可以根据存储在ROM(Read-OnlyMemory，只读存储器)802中的计算机程序或者从存储单元807加载到RAM(Random AccessMemory，随机访问/存取存储器)803中的计算机程序，来执行各种适当的动作和处理。在RAM803中，还可存储设备800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。I/O(Input/Output，输入/输出)接口805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储单元808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元801可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元801的一些示例包括但不限于CPU(Central Processing Unit，中央处理单元)、GPU(Graphic Processing Units，图形处理单元)、各种专用的AI(Artificial Intelligence，人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor，数字信号处理器)、以及任何适当的处理器、控制器、微控制器等。计算单元801执行上文所描述的各个方法和处理，例如上述自动驾驶车辆的配准方法。例如，在一些实施例中，上述自动驾驶车辆的配准方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元808。在一些实施例中，计算机程序的部分或者全部可以经由ROM802和/或通信单元809而被载入和/或安装到设备800上。当计算机程序加载到RAM 803并由计算单元801执行时，可以执行上文描述的自动驾驶车辆的配准方法的一个或多个步骤。备选地，在其他实施例中，计算单元801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述自动驾驶车辆的配准方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、FPGA(Field Programmable Gate Array，现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit，专用集成电路)、ASSP(Application Specific StandardProduct，专用标准产品)、SOC(System On Chip，芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device，复杂可编程逻辑设备)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory，可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory，便捷式紧凑盘只读存储器)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode-Ray Tube，阴极射线管)或者LCD(Liquid Crystal Display，液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：LAN(LocalArea Network，局域网)、WAN(Wide Area Network，广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(VirtualPrivate Server，虚拟专用服务器)中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
其中，需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本申请实施例的技术方案，通过获取车载相机采集的标定空间的采集图像，其中，标定空间所处参考坐标系中第一坐标对应位置设置有参考物，根据参考物在参考坐标系中的第一坐标，以及在采集图像所处相机坐标系中参考物的第二坐标，确定参考坐标系与相机坐标系之间的第一映射关系，并根据车辆的车载雷达在标定空间内采集的点云和参考坐标系下对标定空间预先标定的点云，确定车载雷达的雷达坐标系与参考坐标系之间的第二映射关系，以根据第一映射关系和第二映射关系，确定用于配准的雷达坐标系与相机坐标系之间的目标映射关系。由此，可以实现自动对车载雷达与车载相机进行标定，得到雷达坐标系与相机坐标系之间的映射关系，上述标定过程无需用户手动操作，可以提升标定效率和标定结果的准确性。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种自动驾驶车辆的配准方法，包括：
通过车辆的车载相机获取标定空间的采集图像；其中，所述标定空间所处参考坐标系中第一坐标对应位置设置有参考物；
根据所述参考物在所述参考坐标系中的第一坐标，以及在所述采集图像所处相机坐标系中所述参考物的第二坐标，确定所述参考坐标系与所述相机坐标系之间的第一映射关系；
根据所述车辆的车载雷达在所述标定空间内采集的点云和所述参考坐标系下对所述标定空间预先标定的点云，确定所述车载雷达的雷达坐标系与所述参考坐标系之间的第二映射关系；
根据所述第一映射关系和所述第二映射关系，确定用于配准的所述雷达坐标系与所述相机坐标系之间的目标映射关系。
2.根据权利要求1所述的配准方法，其中，所述根据所述车辆的车载雷达在所述标定空间内采集的点云和所述参考坐标系下对所述标定空间预先标定的点云，确定所述车载雷达的雷达坐标系与所述参考坐标系之间的第二映射关系，包括：
获取所述相机坐标系与所述雷达坐标系之间的第一初始关系；
根据所述第一初始关系和所述第一映射关系，确定所述雷达坐标系与所述参考坐标系之间的第二初始关系；
根据所述车辆的车载雷达在所述标定空间内采集的点云和所述参考坐标系下对所述标定空间预先标定的点云之间的差异，对所述第二初始关系进行修正，得到所述第二映射关系。
3.根据权利要求2所述的配准方法，其中，所述获取所述相机坐标系与所述雷达坐标系之间的第一初始关系，包括：
将所述相机坐标系下的采集图像与所述雷达坐标系下采集的点云进行轮廓对齐，以得到所述相机坐标系与所述雷达坐标系之间的第一初始关系。
4.根据权利要求1-3任一项所述的配准方法，其中，所述根据所述第一映射关系和所述第二映射关系，确定用于配准的所述雷达坐标系与所述相机坐标系之间的目标映射关系之后，还包括：
根据所述第二映射关系，将所述参考物在所述参考坐标系中的第一坐标变换至所述雷达坐标系下，以得到所述参考物在所述雷达坐标系下的坐标；
根据所述目标映射关系，将所述参考物从所述雷达坐标系下重投影至所述相机坐标系，得到所述参考物在所述相机坐标系中的重投影坐标；
根据所述重投影坐标与所述第二坐标之间的差异，修正所述目标映射关系。
5.根据权利要求4所述的配准方法，其中，所述根据所述重投影坐标与所述第二坐标之间的差异，修正所述目标映射关系，包括：
对所述目标映射关系进行误差修正，以使所述重投影坐标与所述第二坐标之间的差异最小化。
6.根据权利要求1-3任一项所述的配准方法，其中，所述标定空间内的至少一个墙体设置有多个所述参考物。
7.一种自动驾驶车辆的配准装置，包括：
获取模块，用于通过车辆的车载相机获取标定空间的采集图像；其中，所述标定空间所处参考坐标系中第一坐标对应位置设置有参考物；
第一确定模块，用于根据所述参考物在所述参考坐标系中的第一坐标，以及在所述采集图像所处相机坐标系中所述参考物的第二坐标，确定所述参考坐标系与所述相机坐标系之间的第一映射关系；
第二确定模块，用于根据所述车辆的车载雷达在所述标定空间内采集的点云和所述参考坐标系下对所述标定空间预先标定的点云，确定所述车载雷达的雷达坐标系与所述参考坐标系之间的第二映射关系；
第三确定模块，用于根据所述第一映射关系和所述第二映射关系，确定用于配准的所述雷达坐标系与所述相机坐标系之间的目标映射关系。
8.根据权利要求7所述的配准装置，其中，所述第二确定模块，包括：
获取单元，用于获取所述相机坐标系与所述雷达坐标系之间的第一初始关系；
确定单元，用于根据所述第一初始关系和所述第一映射关系，确定所述雷达坐标系与所述参考坐标系之间的第二初始关系；
修正单元，用于根据所述车辆的车载雷达在所述标定空间内采集的点云和所述参考坐标系下对所述标定空间预先标定的点云之间的差异，对所述第二初始关系进行修正，得到所述第二映射关系。
9.根据权利要求8所述的配准装置，其中，所述获取单元，具体用于：
将所述相机坐标系下的采集图像与所述雷达坐标系下采集的点云进行轮廓对齐，以得到所述相机坐标系与所述雷达坐标系之间的第一初始关系。
10.根据权利要求7-9任一项所述的配准装置，其中，所述装置还包括：
变换模块，用于根据所述第二映射关系，将所述参考物在所述参考坐标系中的第一坐标变换至所述雷达坐标系下，以得到所述参考物在所述雷达坐标系下的坐标；
重投影模块，用于根据所述目标映射关系，将所述参考物从所述雷达坐标系下重投影至所述相机坐标系，得到所述参考物在所述相机坐标系中的重投影坐标；
修正模块，用于根据所述重投影坐标与所述第二坐标之间的差异，修正所述目标映射关系。
11.根据权利要求10所述的配准装置，其中，所述修正模块，具体用于：
对所述目标映射关系进行误差修正，以使所述重投影坐标与所述第二坐标之间的差异最小化。
12.根据权利要求7-10任一项所述的配准装置，其中，所述标定空间内的至少一个墙体设置有多个所述参考物。
13.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的自动驾驶车辆的配准方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的自动驾驶车辆的配准方法。
15.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的自动驾驶车辆的配准方法。
16.一种自动驾驶车辆，包括如权利要求13所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110725467.2A CN113436233A (zh) | 2021-06-29 | 2021-06-29 | 自动驾驶车辆的配准方法、装置、电子设备和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110725467.2A CN113436233A (zh) | 2021-06-29 | 2021-06-29 | 自动驾驶车辆的配准方法、装置、电子设备和车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113436233A true CN113436233A (zh) | 2021-09-24 |
Family
ID=77757629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110725467.2A Pending CN113436233A (zh) | 2021-06-29 | 2021-06-29 | 自动驾驶车辆的配准方法、装置、电子设备和车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113436233A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723825A (zh) * | 2022-04-21 | 2022-07-08 | 中冶赛迪重庆信息技术有限公司 | 用于无人行车场景下的相机坐标映射方法、系统、介质及电子终端 |
| CN116385550A (zh) * | 2022-12-16 | 2023-07-04 | 北京斯年智驾科技有限公司 | 外参标定方法、装置、计算设备、介质和车辆 |
| CN116883496A (zh) * | 2023-06-26 | 2023-10-13 | 小米汽车科技有限公司 | 交通元素的坐标重建方法、装置、电子设备及存储介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110827358A (zh) * | 2019-10-15 | 2020-02-21 | 深圳数翔科技有限公司 | 一种应用于自动驾驶汽车的相机标定方法 |
| CN111179351A (zh) * | 2018-11-13 | 2020-05-19 | 北京图森智途科技有限公司 | 一种参数标定方法及其装置、处理设备 |
| US10838049B1 (en) * | 2019-12-17 | 2020-11-17 | The Boeing Company | Calibration procedure for establishing an extrinsic relationship between lidar and camera sensors |
| CN112180362A (zh) * | 2019-07-05 | 2021-01-05 | 北京地平线机器人技术研发有限公司 | 雷达与相机之间的转换位姿确定方法、装置以及电子设备 |
| US20210003684A1 (en) * | 2019-07-05 | 2021-01-07 | DeepMap Inc. | Online sensor calibration for autonomous vehicles |
| CN112258590A (zh) * | 2020-12-08 | 2021-01-22 | 杭州迦智科技有限公司 | 一种基于激光的深度相机外参标定方法、设备及其存储介质 |
| CN112785649A (zh) * | 2019-11-11 | 2021-05-11 | 北京京邦达贸易有限公司 | 激光雷达和相机的标定方法、装置、电子设备及介质 |
| CN112837383A (zh) * | 2021-03-01 | 2021-05-25 | 东南大学 | 相机与激光雷达重标定方法、装置及计算机可读存储介质 |
| CN112991454A (zh) * | 2019-12-18 | 2021-06-18 | 动态Ad有限责任公司 | 照相机到LiDAR的标定和验证 |
-
2021
- 2021-06-29 CN CN202110725467.2A patent/CN113436233A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111179351A (zh) * | 2018-11-13 | 2020-05-19 | 北京图森智途科技有限公司 | 一种参数标定方法及其装置、处理设备 |
| CN112180362A (zh) * | 2019-07-05 | 2021-01-05 | 北京地平线机器人技术研发有限公司 | 雷达与相机之间的转换位姿确定方法、装置以及电子设备 |
| US20210003684A1 (en) * | 2019-07-05 | 2021-01-07 | DeepMap Inc. | Online sensor calibration for autonomous vehicles |
| US20210004610A1 (en) * | 2019-07-05 | 2021-01-07 | DeepMap Inc. | Directing board repositioning during sensor calibration for autonomous vehicles |
| CN110827358A (zh) * | 2019-10-15 | 2020-02-21 | 深圳数翔科技有限公司 | 一种应用于自动驾驶汽车的相机标定方法 |
| CN112785649A (zh) * | 2019-11-11 | 2021-05-11 | 北京京邦达贸易有限公司 | 激光雷达和相机的标定方法、装置、电子设备及介质 |
| US10838049B1 (en) * | 2019-12-17 | 2020-11-17 | The Boeing Company | Calibration procedure for establishing an extrinsic relationship between lidar and camera sensors |
| CN112991454A (zh) * | 2019-12-18 | 2021-06-18 | 动态Ad有限责任公司 | 照相机到LiDAR的标定和验证 |
| US20210192788A1 (en) * | 2019-12-18 | 2021-06-24 | Motional Ad Llc | Camera-to-lidar calibration and validation |
| CN112258590A (zh) * | 2020-12-08 | 2021-01-22 | 杭州迦智科技有限公司 | 一种基于激光的深度相机外参标定方法、设备及其存储介质 |
| CN112837383A (zh) * | 2021-03-01 | 2021-05-25 | 东南大学 | 相机与激光雷达重标定方法、装置及计算机可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114723825A (zh) * | 2022-04-21 | 2022-07-08 | 中冶赛迪重庆信息技术有限公司 | 用于无人行车场景下的相机坐标映射方法、系统、介质及电子终端 |
| CN116385550A (zh) * | 2022-12-16 | 2023-07-04 | 北京斯年智驾科技有限公司 | 外参标定方法、装置、计算设备、介质和车辆 |
| CN116883496A (zh) * | 2023-06-26 | 2023-10-13 | 小米汽车科技有限公司 | 交通元素的坐标重建方法、装置、电子设备及存储介质 |
| CN116883496B (zh) * | 2023-06-26 | 2024-03-12 | 小米汽车科技有限公司 | 交通元素的坐标重建方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113436233A (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
| EP4027299A2 (en) | Method and apparatus for generating depth map, and storage medium | |
| CN112966587A (zh) | 目标检测模型的训练方法、目标检测方法及相关设备 | |
| CN112560680A (zh) | 车道线处理方法、装置、电子设备及存储介质 | |
| CN113759349B (zh) | 激光雷达与定位设备的标定方法、设备及自动驾驶车辆 | |
| CN114926549B (zh) | 三维点云处理方法、装置、设备以及存储介质 | |
| EP4047556A2 (en) | Registration method and registration apparatus for autonomous vehicle, electronic device | |
| CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
| CN115457152A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
| CN113219505B (zh) | 用于车路协同隧道场景的采集gps坐标的方法、装置和设备 | |
| CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
| CN114187357A (zh) | 一种高精地图的生产方法、装置、电子设备及存储介质 | |
| CN113177980A (zh) | 用于自动驾驶的目标对象速度确定方法、装置及电子设备 | |
| CN114266876B (zh) | 定位方法、视觉地图的生成方法及其装置 | |
| CN115147561A (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
| CN114443679A (zh) | 一种地图数据更新方法、装置、设备以及存储介质 | |
| CN115575931A (zh) | 标定方法、装置、电子设备及存储介质 | |
| CN114910892A (zh) | 一种激光雷达的标定方法、装置、电子设备及存储介质 | |
| CN114419564A (zh) | 车辆位姿检测方法、装置、设备、介质及自动驾驶车辆 | |
| CN116295466A (zh) | 地图生成方法、装置、电子设备、存储介质、及车辆 | |
| CN116559927B (zh) | 激光雷达的航向角确定方法、装置、设备及介质 | |
| CN115797585B (zh) | 一种停车场地图生成方法及装置 | |
| CN117739993B (zh) | 一种机器人定位方法、装置、机器人及存储介质 | |
| EP4125062A1 (en) | Vehicle positioning method and apparatus, electronic device, non-transitory computer-readable storage medium and computer program product | |
| CN113762397A (zh) | 检测模型训练、高精度地图更新方法、设备、介质及产品 |
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 |