CN113608170A - 雷达标定方法、雷达、机器人、介质及计算机程序产品 - Google Patents

Abstract

本申请公开了一种雷达标定方法、雷达、机器人、介质及计算机程序产品，所述雷达标定方法应用于雷达，所述雷达标定方法包括：获取所述雷达检测的点云数据；根据所述点云数据，优化所述雷达中误差模型的误差参数，以供根据所述误差模型对所述雷达进行标定。本申请在雷达使用过程中，可实现雷达的自主标定，雷达无需返厂进行标定，从而提高用户的使用体验。

Description

雷达标定方法、雷达、机器人、介质及计算机程序产品

技术领域

本申请涉及雷达技术领域，尤其涉及一种雷达标定方法、雷达、机器人、介质及计算机程序产品。

背景技术

随着传感器技术的迅速发展，雷达的应用范围越来越广泛，例如，在机器人上部署雷达以实现定位及建图功能。

然而，雷达在使用过程中可能会受到外界因素的影响，导致雷达的参数发生变化，使得雷达测距不准确，进而导致雷达在使用过程中测距准确性降低，并且，用户往往需要返厂以重新进行标定，大大影响了用户的使用体验。

发明内容

本申请的主要目的在于提供一种雷达标定方法、雷达、机器人、介质及计算机程序产品，旨在实现雷达在使用过程中的自主标定，以提高雷达的测距准确性。

为实现上述目的，本申请提供一种雷达标定方法，应用于雷达，所述雷达标定方法包括以下步骤：

获取所述雷达检测的点云数据；

根据所述点云数据，优化所述雷达中误差模型的误差参数，以供根据所述误差模型对所述雷达进行标定。

可选地，所述根据所述点云数据，优化所述雷达中误差模型的误差参数，包括：

获取所述雷达的误差模型；

根据所述点云数据，对所述误差模型进行迭代训练，得到优化后的误差参数，以根据所述优化后的误差参数更新所述误差模型。

可选地，所述根据所述点云数据，对所述误差模型进行迭代训练，得到优化后的误差参数，包括：

根据所述点云数据确定所述雷达在不同位置检测相同检测点的同名点，得到多个同名点，每一所述同名点对应一个检测位置；

根据所述多个同名点和误差函数确定所述误差模型的目标函数；

对所述目标函数进行优化求解，得到优化后的误差参数。

可选地，所述根据所述点云数据确定所述雷达在不同位置检测相同检测点的同名点，得到多个同名点，包括：

根据所述点云数据，构建地图；

根据所述点云数据计算法向量，所述法向量为所述点云数据中所述雷达检测的检测点的法向量；

根据所述法向量在所述地图上查找所述雷达在不同位置检测相同检测点的同名点，得到多个同名点。

可选地，所述误差函数包括第一误差函数和第二误差函数，所述根据所述多个同名点和误差函数确定所述误差模型的目标函数，包括：

根据所述第一误差函数和所述多个同名点在世界坐标系的坐标值确定第一目标函数；

根据所述第二误差函数和所述多个同名点在世界坐标系的坐标值确定第二目标函数；

根据所述第一目标函数和所述第二目标函数确定所述误差模型的目标函数。

可选地，所述根据所述第一误差函数和所述多个同名点在世界坐标系的坐标值确定第一目标函数，包括：

通过所述第一误差函数，根据所述多个同名点在世界坐标系的坐标值确定所述多个同名点中每两个同名点之间的误差距离，得到多个误差距离；

通过所述第一误差函数，将所述多个误差距离进行累加，得到第一目标函数。

可选地，所述根据所述第二误差函数和所述多个同名点在世界坐标系的坐标值确定第二目标函数，包括：

将所述多个同名点在世界坐标系的坐标值进行坐标系转换，得到所述多个同名点对应的多个雷达坐标点；

确定所述多个雷达坐标点中每一雷达坐标点相对于雷达坐标系中的坐标系原点之间的相对距离，得到多个相对距离；

通过第二误差函数，确定所述多个相对距离中每一相对距离与对应的检测位置下检测的距离检测值之间的距离差值，得到多个距离差值；

通过第二误差函数，将所述多个距离差值进行累加，得到第二目标函数。

可选地，在所述根据所述点云数据，优化所述雷达中误差模型的误差参数之前，还包括：

获取所述误差参数的初始值，以供基于所述点云数据和所述初始值，优化所述雷达中误差模型的误差参数。

可选地，所述获取所述误差参数的初始值，包括：

获取所述雷达的运动方向，并获取所述雷达在不同位置检测相同检测点的同名点的偏移信息，以及获取所述点云数据中所述雷达检测的检测点的法向量；

根据所述法向量、所述运动方向和所述偏移信息确定所述误差参数的取值方向；

根据所述取值方向设置所述误差参数的初始值。

可选地，所述偏移信息包括所述检测点到所述雷达的距离与所述检测点对应的同名点到所述雷达的距离之间的距离差，所述根据所述法向量、所述运动方向和所述偏移信息确定所述误差参数的取值方向，包括：

若所述法向量与所述运动方向一致，且所述距离差大于0，则所述误差参数的取值方向为大于0；

若所述法向量与所述运动方向一致，且所述距离差小于0，则所述误差参数的取值方向为小于0；

若所述法向量与所述运动方向不一致，且所述距离差大于0，则所述误差参数的取值方向为小于0；

若所述法向量与所述运动方向不一致，且所述距离差小于0，则所述误差参数的取值方向为大于0。

可选地，所述方法还包括：

获取所述雷达检测到的测量值；

根据优化后的误差参数和所述误差模型，对所述测量值进行标定，得到标定值。

此外，为实现上述目的，本申请还提供一种雷达，所述雷达包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达标定程序，所述雷达标定程序被所述处理器执行时实现如上所述的雷达标定方法的步骤。

此外，为实现上述目的，本申请还提供一种机器人，所述机器人部署有雷达，所述机器人包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达标定程序，所述雷达标定程序被所述处理器执行时实现如上所述的雷达标定方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有雷达标定程序，所述雷达标定程序被处理器执行时实现如上所述的雷达标定方法的步骤。

此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上所述的雷达标定方法的步骤。

本申请提供一种雷达标定方法、雷达、机器人、介质及计算机程序产品，通过获取雷达检测的点云数据；根据点云数据，优化雷达中误差模型的误差参数，以供根据误差模型对雷达进行标定。本申请在雷达使用过程中，通过雷达检测的点云数据，优化雷达误差模型的误差参数，可提高误差模型的标定精度，从而根据误差模型对雷达进行标定，进而提高雷达的测距准确性。因此，在雷达使用过程中，可实现雷达的自主标定，雷达无需返厂进行标定，从而提高用户的使用体验。

附图说明

图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图；

图2为本申请雷达标定方法第一实施例的流程示意图；

图3为本申请雷达标定方法第二实施例的流程示意图；

图4为本申请实施例涉及的雷达测距无误差的位置示意图；

图5为本申请实施例涉及的雷达测距有误差的第一位置示意图；

图6为本申请实施例涉及的雷达测距有误差的第二位置示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所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。

参照图1，图1为本申请实施例方案涉及的硬件运行环境的终端结构示意图。

本申请实施例终端为雷达标定设备，该雷达标定设备可以为雷达(例如，激光雷达、超声波雷达、红外线测距雷达等测距传感器)，也可以为机器人、汽车等部署雷达的终端设备，还可以为PC(personal computer，个人计算机)、微型计算机、笔记本电脑、服务器等具有处理功能的终端设备。

如图1所示，该终端可以包括：处理器1001，例如CPU(Central Processing Unit，中央处理器)，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及雷达标定程序。

在图1所示的终端中，处理器1001可以用于调用存储器1005中存储的雷达标定程序，并执行本申请以下实施例提供的雷达标定方法中的步骤。

基于上述硬件结构，提出本申请雷达标定方法各个实施例。

本申请提供一种雷达标定方法。

参照图2，图2为本申请雷达标定方法第一实施例的流程示意图。

本申请实施例提供了雷达标定方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。本申请雷达标定方法各个实施例的执行主体以雷达为例进行说明，或者以部署雷达的机器人为例进行说明，各实施例中对机器人种类样式以及具体实现细节并不作限制。

在本实施例中，该雷达标定方法包括：

步骤S10，获取所述雷达检测的点云数据；

在本实施例中，获取雷达检测的点云数据。其中，点云数据由雷达对扫描对象进行扫描得到，该点云数据为三维坐标系下的一组向量的集合，即点云数据包括扫描对象的三维坐标及各种信息，例如位置信息、颜色信息、反射强度信息等。

其中，雷达为机器人进行定位或建图时所需使用的雷达，该雷达的测量值为测距距离，以激光雷达为例进行说明，测量值由激光雷达基于三角测距原理得到，由于三角测距的准确性严格依赖于严苛的光路和雷达结构参数，因此，该测量值有极大可能存在误差，在进行建图或定位时需要对雷达的驱动进行修改，以实现对测量值的标定校正。

需要说明的是，优化雷达中误差模型的误差参数可以在机器人处于空闲时段(非工作时段)进行，该空闲时段可以由用户自行设定，也可以根据实际情况进行设定，例如午夜12点至凌晨5点，此处不作限定。可以理解，在空闲时段进行优化，可避免占用机器人工作时间的资源，并减少机器人工作时的电量损耗，进而提高机器人的工作时长，而在空闲时段机器人可进行充电，机器人可保证电量充足，进而提高雷达中误差模型的误差参数的优化准确性。基于此，该点云数据为之前记录的点云数据，即之前机器人在工作时段(行进过程)通过雷达检测的点云数据。当然，优化雷达中误差模型的误差参数也可以在机器人的工作时段中进行，具体的，可以在机器人的行进过程(工作时段)中进行，从而可实时对雷达中误差模型的误差参数进行优化，进而根据误差模型对雷达进行标定，以补偿雷达产生的误差，从而提高雷达的测距准确性。基于此，该点云数据为机器人在工作时段(行进过程)通过雷达检测的点云数据。

在一实施例中，上述步骤S10包括：

在处于空闲时段时，获取记录的点云数据，其中，所述点云数据为所述雷达在之前检测的点云数据。需要说明的是，所需获取的点云数据的检测时间段可以根据实际需要进行设定，例如，在机器人最近工作时段内五个小时的点云数据。

在另一实施例中，上述步骤S10包括：

在处于工作时段时，获取所述雷达当前检测的点云数据。

步骤S20，根据所述点云数据，优化所述雷达中误差模型的误差参数，以供根据所述误差模型对所述雷达进行标定。

在获取得到雷达的点云数据之后，根据该点云数据，优化雷达中误差模型的误差参数，以供根据该误差模型对雷达进行标定。其中，误差模型用于对雷达进行标定，也就是说，将雷达的测量值输入至该误差模型，误差模型可输出该测量值对应的标定值，从而将该标定值作为最终的测距结果。

需要说明的是，每种类型雷达的误差模型(标定模型)不一样，在进行雷达自标定时应基于该雷达对应的误差模型进行标定。其中，误差模型可以包括以下至少一种：测量值、误差参数及标定值，该测量值为雷达的测量值，该标定值为现实世界中的实际值(或者为无限接近实际值)，该误差参数(标定参数)在不同雷达中是不同的。

在具体实施例中，上述步骤S20包括：

基于所述雷达，确定对应的误差模型，并获取所述误差模型的误差参数；根据所述点云数据，优化所述误差参数。

在一实施例中，误差模型可以包括测量值x、误差参数a及标定值y，该误差模型可以为：y＝f(x)，其中，f(x)包括误差参数a，该误差参数a可以包括第一参数u和第二参数v，进一步地，u＝k*v，k为常数。需要说明的是，基于y＝f(x)的误差模型，并将第一参数u和第二参数v带入f(x)中，以获取测量值x对应的标定值y，从而以标定值y为标定校正后的测量值。在其他实施方式中，误差模型的误差参数可以包括更多或更少的参数，此处不作具体限定。

具体的，上述步骤S20包括：

根据所述点云数据，优化所述雷达中误差模型的第一误差参数和第二误差参数。

进一步地，所述根据所述点云数据，优化所述雷达中误差模型的第一误差参数和第二误差参数的步骤包括：

根据所述点云数据，优化所述雷达误差模型的第一误差参数；基于所述第一误差参数优化所述雷达误差模型的第二误差参数。其中，第一误差参数与第二误差参数存在线性关系，例如，两个参数为u及v，则两个参数存在u＝k*v的关系，其中，k为常数。

可以理解，设定误差参数之间的关系，可提高误差参数的优化效率，以使优化过程更容易收敛，从而提高优化精度。

在具体实施例中，上述步骤S20包括：

步骤A21，获取所述雷达的误差模型；

步骤A22，根据所述点云数据，对所述误差模型进行迭代训练，得到优化后的误差参数，以根据所述优化后的误差参数更新所述误差模型。

在本实施例中，首先，获取雷达的误差模型，以供对该误差模型进行迭代训练，即优化该误差模型的误差参数；然后，根据点云数据，对误差模型进行迭代训练，得到优化后的误差参数，以根据优化后的误差参数更新误差模型。可以理解，优化误差模型的误差参数，以使误差模型的标定准确性提高。

在一实施例中，优化后的误差参数为对误差模型的目标函数(误差函数)进行优化求解得到，该目标函数为误差模型进行迭代训练的函数。进一步地，该目标函数需基于雷达在不同位置的同名点进行构建。该目标函数可以由不同约束函数进行结合得到，例如，目标函数由第一目标函数及第二目标函数结合得到。其中，第一目标函数可以由同名点进行相似度运算再累加得到；第二目标函数可以由机器人位姿、雷达的位姿、雷达的测量值、雷达的误差模型进行确定，具体的执行过程参照下述第二实施例，此处不再一一赘述。可以理解，该第二目标函数可以弥补部署机器人位姿不准确的缺陷，以提升误差参数的优化效果。在其他实施方式中，该目标函数还可以包括更多或更少的约束函数，此处不作限定。

在另一实施例中，优化后的误差参数为在不同的误差参数值下，根据所述点云数据确定雷达的检测误差，直到所述检测误差小于预设阈值，将小于预设阈值的检测误差对应的误差参数值作为优化后的误差参数。其中，预设阈值可以根据误差要求进行设定，此处不作具体限定。

本申请实施例提供一种雷达标定方法、雷达、机器人、介质及计算机程序产品，通过获取雷达检测的点云数据；根据点云数据，优化雷达中误差模型的误差参数，以供根据误差模型对雷达进行标定。本申请实施例在雷达使用过程中，通过雷达检测的点云数据，优化雷达误差模型的误差参数，可提高误差模型的标定精度，从而根据误差模型对雷达进行标定，进而提高雷达的测距准确性。因此，在雷达使用过程中，可实现雷达的自主标定，雷达无需返厂进行标定，从而提高用户的使用体验。

进一步地，基于上述第一实施例，提出本申请雷达标定方法的第二实施例。

参照图3，图3为本申请雷达标定方法第二实施例的流程示意图。

在本实施例中，上述步骤A22包括以下步骤S221-S223：

步骤S221，根据所述点云数据确定所述雷达在不同位置检测相同检测点的同名点，得到多个同名点，每一所述同名点对应一个检测位置；

首先，根据雷达检测的点云数据确定雷达在不同位置检测相同检测点的同名点，得到多个同名点，其中，每一同名点对应一个检测位置。其中，雷达的不同位置也就是部署雷达雷达的终端设备(机器人)的不同位置。例如，参照图4，机器人在A、B、C、D四个不同位置。

需要说明的是，同名点为同一物点(扫描点、扫描对象等)构成的同名像点，该同名像点为雷达在不同位置进行多次检测得到，即同一目标点在不同相片上的构象点。

在具体实施例中，上述步骤S221包括：

步骤A2211，根据所述点云数据，构建地图；

在本实施例中，点云数据可用于进行定位或者建图。

步骤A2212，根据所述点云数据计算法向量，所述法向量为所述点云数据中所述雷达检测的检测点的法向量；

然后，根据点云数据计算法向量，法向量为点云数据中雷达检测的检测点的法向量。具体的，获取雷达对扫描对象进行扫描得到的点云数据，然后，基于预设点云法向量算法对点云数据计算法向量，得到点云数据中雷达检测的检测点的法向量。

其中，预设点云法向量算法的步骤为：建立kd-tree(分割k维数据空间的数据结构)，然后，找到目标点的邻近点，该目标点为点云数据中的一特定点，通过邻近点计算目标点的协方差矩阵，最后，求解该协方差矩阵的特征向量，选择特征值小的特征向量为法向量。可以理解，该方法可以快速有效地获取同名点。

步骤A2213，根据所述法向量在所述地图上查找所述雷达在不同位置检测相同检测点的同名点，得到多个同名点。

最后，根据法向量在地图上查找雷达在不同位置检测相同检测点的同名点，得到多个同名点。具体的，基于法向量的方向，在地图上查找雷达在不同位置检测相同检测点的同名点，得到多个同名点。

步骤S222，根据所述多个同名点和误差函数确定所述误差模型的目标函数；

在本实施例中，根据多个同名点和误差函数确定误差模型的目标函数。具体的，将多个同名点输入误差函数，得到误差模型的目标函数。其中，误差函数用于对误差模型进行迭代训练，多个同名点作为误差模型的训练数据，目标函数为训练得到的误差值。

需要说明的是，该误差函数可以由不同约束函数进行结合得到，相应的，该目标函数可以由不同约束函数进行结合得到，例如，目标函数由第一目标函数及第二目标函数结合得到。其中，第一目标函数可以由同名点进行相似度运算再累加得到；第二目标函数可以由机器人位姿、雷达的位姿、雷达的测量值、雷达的误差模型进行确定。

此外，还需要说明的是，不同应用场景以及不同雷达的误差模型，其误差函数不一样。该误差函数可以根据实际需要进行设定。

在一实施例中，所述误差函数包括第一误差函数和第二误差函数，上述步骤S222包括：

基于所述多个同名点和第一误差函数构建第一目标函数，并基于所述多个同名点和第二误差函数构建第二目标函数；对所述第一目标函数及所述第二目标函数进行结合处理，确定所述误差模型的目标函数。其中，第一误差函数及第二误差函数分别针对不同约束进行构建，具体的可根据实际需要进行构建。

在一些实施例中，第一目标函数通过将多个同名点联合起来进行构建，即分析多个同名点之间的差异，该差异可以由相似度进行评判。第二目标函数通过将机器人在世界坐标系下的真实点经过转化关系，转化成在雷达坐标系下的雷达坐标点，然后，基于该雷达坐标点进一步确定第二目标函数。具体的执行流程参照下述第三实施例。

具体的，第一误差函数的构建方法可以为将多个同名点的坐标进行两两相减再进行累加。

具体的，第二误差函数的构建方法可以为通过获取部署雷达的终端设备的第一位姿，并获取雷达的第二位姿，然后，将雷达的测量值带入雷达的误差模型，最后，基于以雷达为坐标系的坐标的第一位姿、第二位姿、同名点及带有测量值的误差模型，得到第二误差函数。在其他实施方式中，第二误差函数可以由其他约束进行构建。

需要说明的是，通过结合处理，可将第一目标函数及第二目标函数的约束条件进行结合，以实现更精准的目标函数，从而提高误差参数的优化准确性。

在一实施例中，对第一目标函数Error1及第二目标函数Error2进行结合处理的方式可以为相加方式，即目标函数Error＝Error1+Error2。在其他实施方式中，结合处理的方式可以根据实际情况进行设定，此处不对结合处理方式进行限定。

步骤S223，对所述目标函数进行优化求解，得到优化后的误差参数。

在本实施例中，对目标函数进行优化求解，得到优化后的误差参数，以得到标定误差最小的误差参数，以使通过误差最小的误差参数对雷达进行标定，从而使雷达得到最接近真实距离的测量值。

需要说明的是，对目标函数进行优化求解可以使用g2o(General GraphOptimization，通用图优化)等优化工具。其中，经过g2o工具的优化，数据经过不断地迭代之后得到最优解，该最优解就是优化后的误差参数。或者，可以通过梯度下降优化算法，可以找到使目标函数最小的最优误差参数。或者，数据迭代可以通过牛顿迭代法、二分法、最速下降法、共轭迭代法、最小二乘法等迭代方法。

在一实施例中，上述步骤S223包括：

通过g2o工具，对所述目标函数进行优化求解，得到优化后的误差参数。

在另一实施例中，上述步骤S223包括：

通过梯度下降法，对所述目标函数进行优化求解，得到优化后的误差参数。

在另一实施例中，上述步骤S223包括：

将误差参数的初始值输入至所述目标函数，并进行数据迭代，以确定误差值；当所述误差值小于预设阈值，误差参数的取值为最终优化得到的误差参数。具体的，在迭代的多个误差参数中进行选择，选择小于预设阈值的误差值对应的误差参数，该被选中的误差参数为使误差值减小的误差参数。其中，数据迭代为从一个初始值出发寻找近似解误差参数的取值。预设阈值根据实际精度需要进行设定，精度越高，预设阈值越小。

在一实施例中，数据迭代可以通过牛顿迭代法、二分法、最速下降法、共轭迭代法、最小二乘法、g2o等迭代方法，此处不作限定。

在一实施例中，误差参数的初始值(目标函数的优化初值)可以由人为预设值进行确定，也就是说人为设定一个误差参数放入优化过程。在其他实施方式中，误差参数的初始值还可以为之前优化得到的误差参数。

在一些实施例中，确定误差参数的初始值的方向可以为：获取雷达的运动方向，其中，所述运动方向由部署所述雷达的终端设备确定，之后，检测所述点云数据的法向量的方向与所述运动方向是否一致，之后，基于检测结果，通过运动方向对目标点及同名点进行对比，并获取误差参数的初始值，之后，根据对比结果确定所述初始值的方向，最后，基于确定方向的初始值，对目标函数进行优化，以得到误差模型对应的误差参数。

在一实施例中，运动方向可以由部署雷达雷达的终端设备上的IMU(Inertialmeasurement unit，惯性测量单元)获取得到。具体的，参照图5，或者参照图6，图中的箭头方向为运动方向，上方的实线为目标点的位置，虚线为该目标点对应的同名点的位置，该实线或虚线左方的字母表示不同位置机器人所对应测距点的位置，从而可得知不同位置机器人所对应同一个扫描对象的位置不重合，也就是说雷达测距存在误差；图中下方的A、B、C、D表示机器人的不同位置。需要说明的是，图5的右半部分与图6的左半部分所对应的法向量方向与运动方向一致，图5的左半部分与图6的右半部分所对应的法向量方向与运动方向相反，当法向量方向与运动方向一致时，若目标点所对应的机器人在运动方向上的顺序在同名点所对应的机器人在运动方向上的顺序之后，则优化初值的方向为正，若目标点所对应的机器人在运动方向上的顺序在同名点所对应的机器人在运动方向上的顺序之前，则优化初值的方向为负；当法向量方向与运动方向相反时，若目标点所对应的机器人在运动方向上的顺序在同名点所对应的机器人在运动方向上的顺序之前，则优化初值的方向为正，若目标点所对应的机器人在运动方向上的顺序在同名点所对应的机器人在运动方向上的顺序之后，则优化初值的方向为负。也即，距离越远的机器人所对应的同名点越远，则优化初值的方向为正；距离越远的机器人所对应的同名点越近，则优化初值的方向为负。在其他实施方式中，运动方向还可以通过其他陀螺仪进行获取，此处不作限定。

本实施例中，基于通过多个同名点构建的目标数，对误差参数进行优化，可得到更加准确的误差参数，从而使得雷达的标定准确性不断提高，从而进一步提高雷达的测距准确性。

进一步地，基于上述第一实施例和第二实施例，提出本申请雷达标定方法的第三实施例。

在本实施例中，所述误差函数包括第一误差函数和第二误差函数，上述步骤S222包括以下步骤A2221-A2223：

步骤A2221，根据所述第一误差函数和所述多个同名点在世界坐标系的坐标值确定第一目标函数；

在本实施例中，根据第一误差函数和多个同名点在世界坐标系的坐标值确定第一目标函数。首先，根据第一误差函数，对多个同名点进行相应的计算处理，进而得到对应的第一目标函数。

需要说明的是，世界坐标系的坐标值由部署雷达的终端设备获取，例如终端设备为机器人，则通过机器人上的IMU(Inertial measurement unit，惯性测量单元)获取世界坐标系的坐标值。其中，世界坐标系是机器人系统的绝对坐标系，在没有建立用户坐标系之前画面上所有点的坐标都是以该世界坐标系的原点来确定各自的位置。

在一实施例中，上述步骤A2221包括：

步骤A22211，通过所述第一误差函数，根据所述多个同名点在世界坐标系的坐标值确定所述多个同名点中每两个同名点之间的误差距离，得到多个误差距离；

在本实施例中，通过第一误差函数，将多个同名点在世界坐标系的坐标值进行相应的计算处理，以确定多个同名点中每两个同名点之间的误差距离，进而得到多个误差距离。具体的，对多个同名点进行相似度计算，计算得到多个相似度值。

需要说明的是，相似度计算就是比较两个同名点的相似性，即计算两个同名点之间的特征距离，如果特征距离小，则相似度大，如果特征距离大，则相似度小。

其中，相似度计算可以通过计算欧几里得距离(欧式距离)、L1范数、曼哈顿距离、明可夫斯基距离、余弦相似度、皮尔森相关系数等。在其他实施方式中，可以根据实际需要设定相似度计算方法，此处不作限定。

在具体实施例中，第一误差函数的构建方法可以为将多个同名点的坐标进行两两相减再进行累加。

步骤A22212，通过所述第一误差函数，将所述多个误差距离进行累加，得到第一目标函数。

在本实施例中，通过第一误差函数，将多个误差距离进行累加，得到第一目标函数。具体的，将多个误差距离(相似度值)进行累加，以确定第一误差函数。其中，基于上述不同相似度计算方法，误差距离可以为欧式距离、L1范数、曼哈顿距离、明可夫斯基距离、余弦相似度、皮尔森相关系数等。

步骤A2222，根据所述第二误差函数和所述多个同名点在世界坐标系的坐标值确定第二目标函数；

在本实施例中，根据第二误差函数和多个同名点在世界坐标系的坐标值确定第二目标函数。首先，根据第二误差函数，对多个同名点进行相应的计算处理，进而得到对应的第二目标函数。

需要说明的是，世界坐标系的坐标值由部署雷达的终端设备获取，例如终端设备为机器人，则通过机器人上的IMU(Inertial measurement unit，惯性测量单元)获取世界坐标系的坐标值。其中，世界坐标系是机器人系统的绝对坐标系，在没有建立用户坐标系之前画面上所有点的坐标都是以该世界坐标系的原点来确定各自的位置。

在一实施例中，上述步骤A2222包括：

步骤A22221，将所述多个同名点在世界坐标系的坐标值进行坐标系转换，得到所述多个同名点对应的多个雷达坐标点；

在本实施例中，将多个同名点在世界坐标系的坐标值进行坐标系转换，得到多个同名点对应的多个雷达坐标点。

需要说明的是，多个同名点由部署雷达的终端设备获取，例如终端设备为机器人，则通过机器人上的IMU(Inertial measurement unit，惯性测量单元)获取多个同名点，该多个同名点的参考坐标系为世界坐标系。其中，世界坐标系是机器人系统的绝对坐标系，在没有建立用户坐标系之前画面上所有点的坐标都是以该坐标系的原点来确定各自的位置。

此外，还需要说明的是，坐标系转换用于将多个同名点的世界坐标系转化为以雷达的用户坐标系为参考坐标系。

在一实施例中，雷达坐标点＝同名点*转化关系，该转化关系可以为P2^-1*P1^-1，其中，P2为雷达的位姿、P1为部署雷达的终端设备的位姿。在其他实施方式中，转化关系可以根据实际需要进行设定，此处不作限定。

步骤A22222，确定所述多个雷达坐标点中每一雷达坐标点相对于雷达坐标系中的坐标系原点之间的相对距离，得到多个相对距离；

在本实施例中，确定多个雷达坐标点中每一雷达坐标点相对于雷达坐标系中的坐标系原点之间的相对距离，得到多个相对距离。其中，雷达坐标系为雷达的参考坐标系，由于世界坐标系下的同名点的位置均是相当于原点的位置，因此，获取雷达坐标点相当于原点的距离，以准确确定雷达坐标点的位置。

为便于理解，相对距离可以为P2^-1*P1^-1u_niki，其中，P2为雷达的位姿、P1为部署雷达的终端设备的位姿、u_niki为雷达坐标点，ni表示该雷达坐标点是第i个位置的测距点，ki表示该雷达坐标点是第i个位置的测距点对应的第ki个扫描点。

步骤A22223，通过第二误差函数，确定所述多个相对距离中每一相对距离与对应的检测位置下检测的距离检测值之间的距离差值，得到多个距离差值；

在本实施例中，通过第二误差函数，确定多个相对距离中每一相对距离与对应的检测位置下检测的距离检测值之间的距离差值，得到多个距离差值。其中，对应的检测位置为雷达坐标点的位置，该距离检测值为雷达的测量值，该测量值为雷达经过误差模型标定后的测量值。

步骤A22224，通过第二误差函数，将所述多个距离差值进行累加，得到第二目标函数。

在本实施例中，通过第二误差函数，将多个距离差值进行累加，得到第二目标函数。可以理解，第二误差函数可以弥补部署雷达的终端设备的位姿误差，也就是说，通过结合该第二误差函数进行优化，可确保在终端设备的IMU等里程计不够准确的情况下也能得到较好的优化结果。

步骤A2223，根据所述第一目标函数和所述第二目标函数确定所述误差模型的目标函数。

在本实施例中，根据第一目标函数和第二目标函数确定误差模型的目标函数。具体的，对第一目标函数及第二目标函数进行结合处理，得到目标函数。通过结合处理，可将第一目标函数及第二目标函数的约束条件进行结合，以实现更精准的目标函数。

在一实施例中，对第一目标函数Error1及第二目标函数Error2进行结合处理的方式可以为相加方式，即目标函数Error＝Error1+Error2。在其他实施方式中，结合处理的方式可以根据实际情况进行设定，此处不对结合处理方式进行限定。

本实施例中，误差模型的目标函数由两个目标函数确定，增加了对误差模型的误差参数进行优化的约束条件，从而可得到更加准确的误差参数，使得雷达的标定准确性不断提高，从而进一步提高雷达的测距准确性。

进一步地，基于上述第一实施例，提出本申请雷达标定方法的第四实施例。

在本实施例中，在上述步骤S20之前，本申请雷达标定方法还包括：

步骤C，获取所述误差参数的初始值，以供基于所述点云数据和所述初始值，优化所述雷达中误差模型的误差参数。

在本实施例中，获取误差参数的初始值，以供基于点云数据和初始值，优化雷达中误差模型的误差参数。具体的，将误差参数的初始值和点云数据输入至目标函数，并进行数据迭代，以确定误差值。

在一实施例中，误差参数的初始值(目标函数的优化初值)可以由人为预设值进行确定，也就是说人为设定一个误差参数放入优化过程。在其他实施方式中，误差参数的初始值还可以为之前优化得到的误差参数。

在一些实施例中，确定误差参数的初始值的方向可以为：获取雷达的运动方向，其中，所述运动方向由部署所述雷达的终端设备确定，之后，检测所述点云数据的法向量的方向与所述运动方向是否一致，之后，基于检测结果，通过运动方向对目标点及同名点进行对比，并获取误差参数的初始值，之后，根据对比结果确定所述初始值的方向，最后，基于确定方向的初始值，对目标函数进行优化，以得到误差模型对应的误差参数。

具体的，上述步骤C包括：

步骤C1，获取所述雷达的运动方向，并获取所述雷达在不同位置检测相同检测点的同名点的偏移信息，以及获取所述点云数据中所述雷达检测的检测点的法向量；

在本实施例中，获取雷达的运动方向，并获取雷达在不同位置检测相同检测点的同名点的偏移信息，以及获取点云数据中雷达检测的检测点的法向量。其中，雷达的运动方向可以由部署雷达的终端设备上的IMU(Inertial measurement unit，惯性测量单元)获取得到，获取通过其他检测装置检测运动方向，此处不作限定。

需要说明的是，雷达在不同位置检测相同检测点的同名点的偏移信息为雷达在不同位置对同一扫描对象进行扫描得到的多个同名点之间的偏移状况。

具体的，参照图5，或者参照图6，图中的箭头方向为雷达的运动方向，上方的实线为检测点的位置，虚线为该检测点对应的同名点的位置，该实线或虚线左方的字母表示不同位置雷达所对应测距点的位置，从而可得知不同位置雷达所对应同一个扫描对象的位置不重合，进而得知雷达在不同位置检测相同检测点的同名点的偏移信息，其中，图中下方的A、B、C、D表示雷达的不同位置。

此外，还需要说明的是，法向量的获取方式为：根据点云数据计算法向量，法向量为点云数据中雷达检测的检测点的法向量。具体的，获取雷达对扫描对象进行扫描得到的点云数据，然后，基于预设点云法向量算法对点云数据计算法向量，得到点云数据中雷达检测的检测点的法向量。

其中，预设点云法向量算法的步骤为：建立kd-tree(分割k维数据空间的数据结构)，然后，找到目标点的邻近点，该目标点为点云数据中的一特定点，通过邻近点计算目标点的协方差矩阵，最后，求解该协方差矩阵的特征向量，选择特征值小的特征向量为法向量。可以理解，该方法可以快速有效地获取同名点。

步骤C2，根据所述法向量、所述运动方向和所述偏移信息确定所述误差参数的取值方向；

在本实施例中，根据法向量、运动方向和偏移信息确定误差参数的取值方向。具体的，当法向量方向与运动方向一致时，若偏移信息中雷达的检测点所对应的雷达在运动方向上的顺序在同名点所对应的雷达在运动方向上的顺序之后，则误差参数的取值方向为正，若偏移信息中雷达的检测点所对应的雷达在运动方向上的顺序在同名点所对应的机器人在运动方向上的顺序之前，则误差参数的取值方向为负；当法向量方向与运动方向相反时，若偏移信息中雷达的检测点所对应的雷达在运动方向上的顺序在同名点所对应的雷达在运动方向上的顺序之前，则误差参数的取值方向为正，若偏移信息中雷达的检测点所对应的雷达在运动方向上的顺序在同名点所对应的雷达在运动方向上的顺序之后，则误差参数的取值方向为负。

为便于理解，可以参照图5或者图6，图5的右半部分与图6的左半部分所对应的法向量方向与运动方向一致，图5的左半部分与图6的右半部分所对应的法向量方向与运动方向相反。

具体的，所述偏移信息包括所述检测点到所述雷达的距离与所述检测点对应的同名点到所述雷达的距离之间的距离差，上述步骤C2包括：

步骤C21，若所述法向量与所述运动方向一致，且所述距离差大于0，则所述误差参数的取值方向为大于0；

步骤C22，若所述法向量与所述运动方向一致，且所述距离差小于0，则所述误差参数的取值方向为小于0；

步骤C23，若所述法向量与所述运动方向不一致，且所述距离差大于0，则所述误差参数的取值方向为小于0；

步骤C24，若所述法向量与所述运动方向不一致，且所述距离差小于0，则所述误差参数的取值方向为大于0。

在本实施例中，若雷达法向量与雷达运动方向一致，且雷达距离差大于0，则雷达误差参数的取值方向为大于0；若雷达法向量与雷达运动方向一致，且雷达距离差小于0，则雷达误差参数的取值方向为小于0；若雷达法向量与雷达运动方向不一致，且雷达距离差大于0，则雷达误差参数的取值方向为小于0；若法向量与所述运动方向不一致，且距离差小于0，则误差参数的取值方向为大于0。

需要说明的是，雷达在不同位置检测相同检测点，则检测点到雷达的距离包括多个，基于此，雷达在每个位置对检测点进行检测均会获取得到多个同名点，则同名点到雷达的距离为雷达的测距距离，基于此，距离差为检测点到雷达的距离与测距距离的差值。

步骤C3，根据所述取值方向设置所述误差参数的初始值。

在本实施例中，首先，获取误差参数的初始值的取值，再根据该取值方向为该取值设定方向(符号)。其中，取值可以由人为预设值进行确定，也就是说人为设定一个取值放入优化过程。在其他实施方式中，取值还可以为之前优化得到的误差参数的取值。

本实施例中，直接选取取值方向合适的误差参数的初始值进行优化，相比分别使用正负的初始值进行优化再择优选择最终的结果，可以加速优化过程，进而提高误差参数的优化效率。

进一步地，基于上述第一和/或第二和/或第三和/或第四实施例，提出本申请雷达标定方法的第五实施例。

在本实施例中，本申请雷达标定方法还包括：

步骤D，获取所述雷达检测到的测量值；

在本实施例中，在机器人需要定位或者建图时，由于雷达的结构参数可能发生改变，因此需进行雷达自标定，以避免定位或建图出错。首先，获取雷达检测的测量值。

需要说明的是，该雷达的测量值为测距距离，以激光雷达为例进行说明，测量值由激光雷达基于三角测距原理得到，由于三角测距的准确性严格依赖于严苛的光路和雷达结构参数，因此，该测量值有极大可能存在误差，在进行建图或定位时需要对雷达的驱动进行修改，以实现对测量值的标定校正。

可以理解，若雷达测距不存在误差，则部署雷达的终端设备在不同位置看到的扫描对象在世界坐标系下应该是完全重合的，具体的，参照图4，图中上方的实线为扫描对象的位置，该实线上方的字母表示不同位置机器人所对应扫描对象的位置，从而可得知不同位置机器人所对应扫描对象的位置重合；图中下方的A、B、C、D表示机器人的不同位置，箭头为机器人的移动方向。需要说明的是，若待标定雷达测距不存在误差，则待标定雷达的测量值是准确的，无需进行标定校正。

步骤E，根据优化后的误差参数和所述误差模型，对所述测量值进行标定，得到标定值。

在本实施例中，根据优化后的误差参数和误差模型，对测量值进行标定，得到标定值。具体的，基于雷达的误差模型，通过该误差参数对雷达进行标定，以实现对雷达的测量值进行标定。

在一实施例中，可以通过误差参数对雷达驱动进行更改，以补偿雷达结构变化引起的测距误差，以对测量值进行标定校正，从而得到更接近真实距离的测量值。

需要说明的是，误差模型的误差参数可以包括多个，多个误差参数之间存在映射关系。

本实施例中，根据误差模型对雷达进行标定，进而提高雷达的测距准确性。因此，在雷达使用过程中，可实现雷达的自主标定，雷达无需返厂进行标定，从而提高用户的使用体验。

本申请还提供一种雷达，该雷达包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达标定程序，所述雷达标定程序被所述处理器执行时实现如以上任一项实施例所述的雷达标定方法的步骤。

本申请雷达的具体实施例与上述雷达标定方法各实施例基本相同，在此不作赘述。

本申请还提供一种机器人，该机器人部署有雷达，该机器人包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达标定程序，所述雷达标定程序被所述处理器执行时实现如以上任一项实施例所述的雷达标定方法的步骤。

本申请机器人的具体实施例与上述雷达标定方法各实施例基本相同，在此不作赘述。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质上存储有雷达标定程序，所述雷达标定程序被处理器执行时实现如以上任一项实施例所述的雷达标定方法的步骤。

本申请计算机可读存储介质的具体实施例与上述雷达标定方法各实施例基本相同，在此不作赘述。

本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序产品被处理器执行时实现如以上任一项实施例所述的雷达标定方法的步骤。

本申请计算机程序产品的具体实施例与上述雷达标定方法各实施例基本相同，在此不作赘述。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是雷达，机器人，手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (15)

1.一种雷达标定方法，其特征在于，应用于雷达，所述雷达标定方法包括以下步骤：

获取所述雷达检测的点云数据；

根据所述点云数据，优化所述雷达中误差模型的误差参数，以供根据所述误差模型对所述雷达进行标定。

2.如权利要求1所述的雷达标定方法，其特征在于，所述根据所述点云数据，优化所述雷达中误差模型的误差参数，包括：

获取所述雷达的误差模型；

根据所述点云数据，对所述误差模型进行迭代训练，得到优化后的误差参数，以根据所述优化后的误差参数更新所述误差模型。

3.如权利要求2所述的雷达标定方法，其特征在于，所述根据所述点云数据，对所述误差模型进行迭代训练，得到优化后的误差参数，包括：

根据所述点云数据确定所述雷达在不同位置检测相同检测点的同名点，得到多个同名点，每一所述同名点对应一个检测位置；

根据所述多个同名点和误差函数确定所述误差模型的目标函数；

对所述目标函数进行优化求解，得到优化后的误差参数。

4.如权利要求3所述的雷达标定方法，其特征在于，所述根据所述点云数据确定所述雷达在不同位置检测相同检测点的同名点，得到多个同名点，包括：

根据所述点云数据，构建地图；

根据所述点云数据计算法向量，所述法向量为所述点云数据中所述雷达检测的检测点的法向量；

根据所述法向量在所述地图上查找所述雷达在不同位置检测相同检测点的同名点，得到多个同名点。

5.如权利要求3所述的雷达标定方法，其特征在于，所述误差函数包括第一误差函数和第二误差函数，所述根据所述多个同名点和误差函数确定所述误差模型的目标函数，包括：

根据所述第一误差函数和所述多个同名点在世界坐标系的坐标值确定第一目标函数；

根据所述第二误差函数和所述多个同名点在世界坐标系的坐标值确定第二目标函数；

根据所述第一目标函数和所述第二目标函数确定所述误差模型的目标函数。

6.如权利要求5所述的雷达标定方法，其特征在于，所述根据所述第一误差函数和所述多个同名点在世界坐标系的坐标值确定第一目标函数，包括：

通过所述第一误差函数，根据所述多个同名点在世界坐标系的坐标值确定所述多个同名点中每两个同名点之间的误差距离，得到多个误差距离；

通过所述第一误差函数，将所述多个误差距离进行累加，得到第一目标函数。

7.如权利要求5所述的雷达标定方法，其特征在于，所述根据所述第二误差函数和所述多个同名点在世界坐标系的坐标值确定第二目标函数，包括：

将所述多个同名点在世界坐标系的坐标值进行坐标系转换，得到所述多个同名点对应的多个雷达坐标点；

确定所述多个雷达坐标点中每一雷达坐标点相对于雷达坐标系中的坐标系原点之间的相对距离，得到多个相对距离；

通过第二误差函数，确定所述多个相对距离中每一相对距离与对应的检测位置下检测的距离检测值之间的距离差值，得到多个距离差值；

通过第二误差函数，将所述多个距离差值进行累加，得到第二目标函数。

8.如权利要求1所述的雷达标定方法，其特征在于，在所述根据所述点云数据，优化所述雷达中误差模型的误差参数之前，还包括：

获取所述误差参数的初始值，以供基于所述点云数据和所述初始值，优化所述雷达中误差模型的误差参数。

9.如权利要求8所述的雷达标定方法，其特征在于，所述获取所述误差参数的初始值，包括：

获取所述雷达的运动方向，并获取所述雷达在不同位置检测相同检测点的同名点的偏移信息，以及获取所述点云数据中所述雷达检测的检测点的法向量；

根据所述法向量、所述运动方向和所述偏移信息确定所述误差参数的取值方向；

根据所述取值方向设置所述误差参数的初始值。

10.如权利要求9所述的雷达标定方法，其特征在于，所述偏移信息包括所述检测点到所述雷达的距离与所述检测点对应的同名点到所述雷达的距离之间的距离差，所述根据所述法向量、所述运动方向和所述偏移信息确定所述误差参数的取值方向，包括：

若所述法向量与所述运动方向一致，且所述距离差大于0，则所述误差参数的取值方向为大于0；

若所述法向量与所述运动方向一致，且所述距离差小于0，则所述误差参数的取值方向为小于0；

若所述法向量与所述运动方向不一致，且所述距离差大于0，则所述误差参数的取值方向为小于0；

若所述法向量与所述运动方向不一致，且所述距离差小于0，则所述误差参数的取值方向为大于0。

11.如权利要求1-10中任一项所述的雷达标定方法，其特征在于，所述方法还包括：

获取所述雷达检测到的测量值；

根据优化后的误差参数和所述误差模型，对所述测量值进行标定，得到标定值。

12.一种雷达，其特征在于，所述雷达包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达标定程序，所述雷达标定程序被所述处理器执行时实现如权利要求1至11中任一项所述的雷达标定方法的步骤。

13.一种机器人，其特征在于，所述机器人部署有雷达，所述机器人包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的雷达标定程序，所述雷达标定程序被所述处理器执行时实现如权利要求1至11中任一项所述的雷达标定方法的步骤。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有雷达标定程序，所述雷达标定程序被处理器执行时实现如权利要求1至11中任一项所述的雷达标定方法的步骤。

15.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述的雷达标定方法的步骤。

Images