CN114280582A - 激光雷达的标定校准方法、装置、存储介质及电子设备 - Google Patents
激光雷达的标定校准方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114280582A CN114280582A CN202111679792.6A CN202111679792A CN114280582A CN 114280582 A CN114280582 A CN 114280582A CN 202111679792 A CN202111679792 A CN 202111679792A CN 114280582 A CN114280582 A CN 114280582A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane line
- calibrated
- point cloud
- calibration
- 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 85
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 238000005070 sampling Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 8
- 238000002310 reflectometry Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000009434 installation Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 12
- 230000006870 function Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种激光雷达的标定校准方法、装置、存储介质及电子设备。其中，该方法包括：获取待标定车辆的行驶轨迹信息；采用曲线拟合算法对行驶轨迹信息进行拟合处理，得到待标定车辆的轨迹方程，其中，曲线拟合算法为最小二乘法或随机采样一致性算法；在检测到轨迹方程的曲率小于目标阈值的情况下，获取待标定车辆的车道线信息，并采用曲线拟合算法对车道线信息进行拟合处理，得到待标定车辆的车道线方程；基于轨迹方程和车道线方程对激光雷达的偏航角进行修正，得到修正后的偏航角。本发明解决了车载激光雷达在用户使用过程中，由于震动、冲击、雷达自身性能等原因导致的原标定参数不准的技术问题。
Description
技术领域
本发明涉及自动驾驶技术领域，具体而言，涉及一种激光雷达的标定校准方法、装置、存储介质及电子设备。
背景技术
目前，越来越多的量产车型标配置以相机为主要传感器的辅助驾驶功能，并基于摄像头实现车辆的标定校准，然而，摄像头具有一定的局限性，例如，通过摄像头采集的数据是RGB图像的像素阵列，无法获取深度信息(如距离信息)；利用双目相机可以完成测距工作，但是目前双目相机相关算法还不够成熟，其测量误差与激光雷达等专业测距设备差距较大。此外，摄像头本身视场角也有限，摄像头受外界因素(如光纤强度等)的影响也比较大，应用效果较差。
激光雷达能精确的采集带有距离信息的3D点云数据，不受光照影响，并且感知距离能达到150m以上。目前，基于摄像头的定校准方法主要利用车道线信息，但现有技术中激光雷达在车道线检测和车道线信息提取上还不是很成熟，因此主要采用高精度地图匹配车道线信息，但上述方法过度依赖高精度地图，对于没有高精度地图的路端无法完成自标定。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种激光雷达的标定校准方法、装置、存储介质及电子设备，以至少解决车载激光雷达在用户使用过程中，由于震动、冲击、雷达自身性能等原因导致的原标定参数不准的技术问题。
根据本发明实施例的一个方面，提供了一种激光雷达的标定校准方法，包括：获取待标定车辆的行驶轨迹信息；采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法；在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程,其中，上述车道线信息包括上述待标定车辆的车道线的原始点云数据；基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角。
可选的，上述方法还包括：基于上述待标定车辆的车载设备获取上述待标定车辆的第一俯仰角和第一横滚角；提取目标高度阈值范围内的第一点云数据，基于上述第一点云数据获取点云拟合平面的第二俯仰角和第二横滚角，其中，上述目标高度阈值是基于上述激光雷达的安装高度确定的；基于上述第一俯仰角和上述第二俯仰角计算修正后的俯仰角，其中，上述修正后的俯仰角为上述激光雷达的俯仰角的修正值；基于上述第一横滚角和上述第二横滚角计算修正后的横滚角，其中，上述修正后的横滚角为上述激光雷达的横滚角的修正值。
可选的，上述方法还包括：基于上述修正后的俯仰角和上述修正后的横滚角，提取第二点云数据；对上述第二点云数据进行过滤处理，得到过滤后的第二点云数据；基于上述过滤后的第二点云数据，计算上述激光雷达的高度修正值。
可选的，基于上述第一点云数据获取点云拟合平面的第二俯仰角和第二横滚角，包括：对上述第一点云数据进行平面拟合，得到点云拟合平面；获取上述点云拟合平面的第二俯仰角和第二横滚角。
可选的，上述车载设备包括以下至少之一：全惯性测量传感器、全球导航卫星系统、惯性导航设备、车载ECU、车载域控制器。
可选的，获取上述待标定车辆的车道线信息，包括如下至少之一：采用阈值分割法对上述第二点云数据进行二值化分割处理，得到上述待标定车辆的车道线信息；获取上述第二点云数据的点云反射率，基于上述点云反射率的变化梯度确定上述待标定车辆的车道线信息；通过深度学习算法构建车道线识别模型，并基于上述车道线识别模型确定上述待标定车辆的车道线信息；或者基于图像视觉识别算法获取上述待标定车辆的车道线信息。
根据本发明实施例的另一方面，还提供了一种激光雷达的标定校准装置，包括：第一获取模块，用于获取待标定车辆的行驶轨迹信息；拟合模块，用于采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法；第二获取模块，用于在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程；修正模块，用于基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角。
根据本发明实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的激光雷达的标定校准方法。
根据本发明实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的激光雷达的标定校准方法。
根据本发明实施例的另一方面，还提供了一种自动驾驶车辆，包括：如上述的电子设备。
在本发明实施例中，采用激光雷达的在线自标定校准的方式，通过获取待标定车辆的行驶轨迹信息；采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法；在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程,其中，上述车道线信息包括上述待标定车辆的车道线的原始点云数据；基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角，达到了车辆在正常行驶过程中进行标定参数自修正的目的，从而实现了提高激光雷达的标定校准的准确性的技术效果，进而解决了车载激光雷达在用户使用过程中，由于震动、冲击、雷达自身性能等原因导致的原标定参数不准的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种激光雷达的标定校准方法的流程图；
图2是根据本发明实施例的一种可选的激光雷达的标定校准方法的流程图；
图3是根据本发明实施例的一种可选的激光雷达的标定校准方法的流程图；
图4是根据本发明实施例的一种激光雷达的标定校准装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种激光雷达的标定校准的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，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。
激光雷达搭载量产车型必须要实现两个功能，即激光雷达的标定间标定和在线自标定校准。标定间标定是一种静态标定形式，通过标定间中的线面约束或者提取标定板等标定工具的特征去进行静态的高精度的出厂标定。车辆的在线自标定校准是一种动态标定形式，具体指车辆出厂交付到用户手中后进行的对出厂标定的修正和优化，这种自标定往往不依赖严格的场地设施，只需要用户在常规道路行驶过程中就可以自动完成。对于摄像头的自标定，行业里普遍利用的是车道线的信息，而激光雷达在车道线检测和车道线信息提取上目前不是很成熟，激光雷达的在线自标定方案方更多的是采用和已建好的高精度地图去匹配的方法，这种方法过度依赖高精度地图，对于没有高精度地图的路端无法完成自标定。
图1是根据本发明实施例的一种激光雷达的标定校准方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待标定车辆的行驶轨迹信息；
步骤S104，采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程；
步骤S106，在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程,其中，上述车道线信息包括上述待标定车辆的车道线的原始点云数据；
步骤S108，基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角。
在本发明实施例中，采用激光雷达的在线自标定校准的方式，通过获取待标定车辆的行驶轨迹信息；采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法；在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程,其中，上述车道线信息包括上述待标定车辆的车道线的原始点云数据；基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角，达到了车辆在正常行驶过程中进行标定参数自修正的目的，从而实现了提高激光雷达的标定校准的准确性的技术效果，进而解决了车载激光雷达在用户使用过程中，由于震动、冲击、雷达自身性能等原因导致的原标定参数不准的技术问题。
可选的，上述行驶轨迹信息可以但不限于为待标定车辆行驶过程中的GPS数据；上述行驶轨迹信息的获取方法可以但不限于包括以下之一：利用原始全球导航卫星系统GNSS和惯性传感器IMU信息获取；从惯性导航设备中获取、从车载电子控制单元ECU中获取、从车载域控制器中获取，等等。
可选的，利用车载全惯性测量传感器IMU和GPS数据，通过曲线拟合算法拟合得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法。
需要说明的是，在检测到上述轨迹方程的曲率小于目标阈值的情况下，上述轨迹方程可以近似为一条长直线，即上述待标定车辆的行驶轨迹近似为一条直线，此时可进一步对上述待标定车辆进行标定校准，并对激光雷达的偏航角进行修正。
可选的，基于上述轨迹方程和上述车道线方程求解待上述标定车辆的行驶轨迹和车道线之间的夹角，由于上述标定车辆在绝大多数情况下沿着车道线行驶，因此上述夹角即为修正后的偏航角。
需要说明的是，本发明实施例旨在通过车辆在正常行驶过程中自动采集标定数据从而实现标定参数自修正功能，和静态标定所需的严格的场地和设施要求相比，本发明实施例只需要在有长直车道线和平面(包括水平地面或斜面)的场景下就可以完成对车辆的标定自校准；此外，相比于通过构建高精度点云地图去进行点云配准的方式，本发明实施例无需在有高精度点云地图的场景下便可完成标定自校准，且运算效率更高。
作为一种可选的实施例，图2是根据本发明实施例的一种可选的激光雷达的标定校准方法的流程图，如图2所示，上述方法还包括：
步骤S202，基于上述待标定车辆的车载设备获取上述待标定车辆的第一俯仰角和第一横滚角；
步骤S204，提取目标高度阈值范围内的第一点云数据，基于上述第一点云数据获取点云拟合平面的第二俯仰角和第二横滚角；
步骤S206，基于上述第一俯仰角和上述第二俯仰角计算修正后的俯仰角，其中，上述修正后的俯仰角为上述激光雷达的俯仰角的修正值；
步骤S208，基于上述第一横滚角和上述第二横滚角计算修正后的横滚角，其中，上述修正后的横滚角为上述激光雷达的横滚角的修正值。
可选的，上述车载设备包括以下至少之一：全惯性测量传感器、全球导航卫星系统、惯性导航设备、车载ECU、车载域控制器。
可选的，利用车载全惯性测量传感器输出的原始数据采用卡尔曼滤波进行航姿解算得到上述待标定车辆的第一俯仰角和第一横滚角。
可选的，上述第一点云数据为目标高度阈值范围内一定距离的地面点云数据；上述目标高度阈值是基于上述激光雷达的安装高度确定的。
作为一种可选的实施例，图3是根据本发明实施例的一种可选的激光雷达的标定校准方法的流程图，如图3所示，上述方法还包括：
步骤S302，基于上述修正后的俯仰角和上述修正后的横滚角，提取第二点云数据；
步骤S304，对上述第二点云数据进行过滤处理，得到过滤后的第二点云数据；
步骤S306，基于上述过滤后的第二点云数据，计算上述激光雷达的高度修正值。
可选的，上述第二点云数据为在俯仰角和横滚角进行修正后，重新提取得到新的地面点云数据。
可选的，上述第二点云数据中高度z值异常的点进行过滤处理，计算过滤后的第二点云数据的z值的平均值，进而取其绝对值得到激光雷达的高度修正值。
需要说明的是，上述激光雷达的高度修正值的获取方法可以但不限于包括以下之一：计算目标范围内地面点高度z的平均值、计算车辆平面和点云拟合平面的面间距、根据目标筛选条件选取某个地面点作为高度参考值，等等。
在一种可选的实施例中，基于上述第一点云数据获取点云拟合平面的第二俯仰角和第二横滚角，包括：
步骤S402，对上述第一点云数据进行平面拟合，得到点云拟合平面；
步骤S404，获取上述点云拟合平面的第二俯仰角和第二横滚角。
在一种可选的实施例中，获取上述待标定车辆的车道线信息，包括：
步骤S502，采用阈值分割法对上述第二点云数据进行二值化分割处理，得到上述待标定车辆的车道线信息。
可选的，获取上述待标定车辆的车道线信息，包括如下至少之一：采用阈值分割法对上述第二点云数据进行二值化分割处理，得到上述待标定车辆的车道线信息；获取上述第二点云数据的点云反射率，基于上述点云反射率的变化梯度确定上述待标定车辆的车道线信息；通过深度学习算法构建车道线识别模型，并基于上述车道线识别模型确定上述待标定车辆的车道线信息；或者基于图像视觉识别算法获取上述待标定车辆的车道线信息。
需要说明的是，阈值分割法是一种基于区域的图像分割技术，其原理是将图像像素点分为若干类，通过上述阈值分割法获取的车道线信息，性能较稳定。
仍需说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
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根据上述实施例的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，本发明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(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
实施例2
根据本发明实施例，还提供了一种用于实施上述激光雷达的标定校准方法的装置实施例，图4是根据本发明实施例的一种激光雷达的标定校准装置的结构示意图，如图4所示，上述激光雷达的标定校准装置，包括：第一获取模块600、拟合模块602、第二获取模块604、修正模块608，其中：
上述第一获取模块600，用于获取待标定车辆的行驶轨迹信息；上述拟合模块602，用于采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法；上述第二获取模块604，用于在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程,其中，上述车道线信息包括上述待标定车辆的车道线的原始点云数据；上述修正模块608，用于基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角。
在本发明实施例中，通过设置上述第一获取模块600，用于获取待标定车辆的行驶轨迹信息；上述拟合模块602，用于采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法；上述第二获取模块604，用于在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程,其中，上述车道线信息包括上述待标定车辆的车道线的原始点云数据；上述修正模块608，用于基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角，达到了车辆在正常行驶过程中进行标定参数自修正的目的，从而实现了提高激光雷达的标定校准的准确性的技术效果，进而解决了车载激光雷达在用户使用过程中，由于震动、冲击、雷达自身性能等原因导致的原标定参数不准的技术问题。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是，上述第一获取模块600、拟合模块602、第二获取模块604、修正模块608对应于实施例1中的步骤S102至步骤S108，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
上述的激光雷达的标定校准装置还可以包括处理器和存储器，上述第一获取模块600、拟合模块602、第二获取模块604、修正模块608等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本申请实施例，还提供了一种非易失性存储介质的实施例。可选的，在本实施例中，上述非易失性存储介质包括存储的程序，其中，在上述程序运行时控制上述非易失性存储介质所在设备执行上述任意一种激光雷达的标定校准方法。
可选的，在本实施例中，上述非易失性存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中，上述非易失性存储介质包括存储的程序。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：获取待标定车辆的行驶轨迹信息；采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法；在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程,其中，上述车道线信息包括上述待标定车辆的车道线的原始点云数据；基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：基于上述待标定车辆的车载设备获取上述待标定车辆的第一俯仰角和第一横滚角；提取目标高度阈值范围内的第一点云数据，基于上述第一点云数据获取点云拟合平面的第二俯仰角和第二横滚角，其中，上述目标高度阈值是基于上述激光雷达的安装高度确定的；基于上述第一俯仰角和上述第二俯仰角计算修正后的俯仰角，其中，上述修正后的俯仰角为上述激光雷达的俯仰角的修正值；基于上述第一横滚角和上述第二横滚角计算修正后的横滚角，其中，上述修正后的横滚角为上述激光雷达的横滚角的修正值。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：基于上述修正后的俯仰角和上述修正后的横滚角，提取第二点云数据；对上述第二点云数据进行过滤处理，得到过滤后的第二点云数据；基于上述过滤后的第二点云数据，计算上述激光雷达的高度修正值。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：基于上述第一点云数据获取点云拟合平面的第二俯仰角和第二横滚角，包括：对上述第一点云数据进行平面拟合，得到点云拟合平面；获取上述点云拟合平面的第二俯仰角和第二横滚角。
可选的，在程序运行时控制非易失性存储介质所在设备执行以下功能：采用阈值分割法对上述第二点云数据进行二值化分割处理，得到上述待标定车辆的车道线信息；获取上述第二点云数据的点云反射率，基于上述点云反射率的变化梯度确定上述待标定车辆的车道线信息；通过深度学习算法构建车道线识别模型，并基于上述车道线识别模型确定上述待标定车辆的车道线信息；或者基于图像视觉识别算法获取上述待标定车辆的车道线信息。
根据本申请实施例，还提供了一种处理器的实施例。可选的，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种激光雷达的标定校准方法。
根据本申请实施例，还提供了一种计算机程序产品的实施例，当在数据处理设备上执行时，适于执行初始化有上述任意一种的激光雷达的标定校准方法步骤的程序。
可选的，上述计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取待标定车辆的行驶轨迹信息；采用曲线拟合算法对上述行驶轨迹信息进行拟合处理，得到上述待标定车辆的轨迹方程，其中，上述曲线拟合算法为最小二乘法或随机采样一致性算法；在检测到上述轨迹方程的曲率小于目标阈值的情况下，获取上述待标定车辆的车道线信息，并采用上述曲线拟合算法对上述车道线信息进行拟合处理，得到上述待标定车辆的车道线方程,其中，上述车道线信息包括上述待标定车辆的车道线的原始点云数据；基于上述轨迹方程和上述车道线方程对上述激光雷达的偏航角进行修正，得到修正后的偏航角。
根据本申请实施例，还提供了一种电子设备的实施例，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行上述任意一种的激光雷达的标定校准方法。
根据本申请实施例，还提供了一种自动驾驶车辆的实施例，包括如上述的电子设备。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如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信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述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，在本发明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。
所述集成的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取非易失性存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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一个非易失性存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的非易失性存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种激光雷达的标定校准方法，其特征在于，包括：
获取待标定车辆的行驶轨迹信息；
采用曲线拟合算法对所述行驶轨迹信息进行拟合处理，得到所述待标定车辆的轨迹方程，其中，所述曲线拟合算法为最小二乘法或随机采样一致性算法；
在检测到所述轨迹方程的曲率小于目标阈值的情况下，获取所述待标定车辆的车道线信息，并采用所述曲线拟合算法对所述车道线信息进行拟合处理，得到所述待标定车辆的车道线方程,其中，所述车道线信息包括所述待标定车辆的车道线的原始点云数据；
基于所述轨迹方程和所述车道线方程对所述激光雷达的偏航角进行修正，得到修正后的偏航角。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述待标定车辆的车载设备获取所述待标定车辆的第一俯仰角和第一横滚角；
提取目标高度阈值范围内的第一点云数据，基于所述第一点云数据获取点云拟合平面的第二俯仰角和第二横滚角，其中，所述目标高度阈值是基于所述激光雷达的安装高度确定的；
基于所述第一俯仰角和所述第二俯仰角计算修正后的俯仰角，其中，所述修正后的俯仰角为所述激光雷达的俯仰角的修正值；
基于所述第一横滚角和所述第二横滚角计算修正后的横滚角，其中，所述修正后的横滚角为所述激光雷达的横滚角的修正值。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述修正后的俯仰角和所述修正后的横滚角，提取第二点云数据；
对所述第二点云数据进行过滤处理，得到过滤后的第二点云数据；
基于所述过滤后的第二点云数据，计算所述激光雷达的高度修正值。
4.根据权利要求2所述的方法，其特征在于，基于所述第一点云数据获取点云拟合平面的第二俯仰角和第二横滚角，包括：
对所述第一点云数据进行平面拟合，得到点云拟合平面；
获取所述点云拟合平面的第二俯仰角和第二横滚角。
5.根据权利要求2所述的方法，其特征在于，所述车载设备包括以下至少之一：全惯性测量传感器、全球导航卫星系统、惯性导航设备、车载ECU、车载域控制器。
6.根据权利要求3所述的方法，其特征在于，获取所述待标定车辆的车道线信息，包括如下至少之一：
采用阈值分割法对所述第二点云数据进行二值化分割处理，得到所述待标定车辆的车道线信息；
获取所述第二点云数据的点云反射率，基于所述点云反射率的变化梯度确定所述待标定车辆的车道线信息；
通过深度学习算法构建车道线识别模型，并基于所述车道线识别模型确定所述待标定车辆的车道线信息；或者
基于图像视觉识别算法获取所述待标定车辆的车道线信息。
7.一种激光雷达的标定校准装置，其特征在于，包括：
第一获取模块，用于获取待标定车辆的行驶轨迹信息；
拟合模块，用于采用曲线拟合算法对所述行驶轨迹信息进行拟合处理，得到所述待标定车辆的轨迹方程，其中，所述曲线拟合算法为最小二乘法或随机采样一致性算法；
第二获取模块，用于在检测到所述轨迹方程的曲率小于目标阈值的情况下，获取所述待标定车辆的车道线信息，并采用所述曲线拟合算法对所述车道线信息进行拟合处理，得到所述待标定车辆的车道线方程；
修正模块，用于基于所述轨迹方程和所述车道线方程对所述激光雷达的偏航角进行修正，得到修正后的偏航角。
8.一种非易失性存储介质，其特征在于，所述非易失性存储介质存储有多条指令，所述指令适于由处理器加载并执行权利要求1至6中任意一项所述的激光雷达的标定校准方法。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至6中任意一项所述的激光雷达的标定校准方法。
10.一种自动驾驶车辆，其特征在于，包括：如权利要求9所述的电子设备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111679792.6A CN114280582A (zh) | 2021-12-31 | 2021-12-31 | 激光雷达的标定校准方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111679792.6A CN114280582A (zh) | 2021-12-31 | 2021-12-31 | 激光雷达的标定校准方法、装置、存储介质及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114280582A true CN114280582A (zh) | 2022-04-05 |
Family
ID=80879827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111679792.6A Pending CN114280582A (zh) | 2021-12-31 | 2021-12-31 | 激光雷达的标定校准方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114280582A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115616510A (zh) * | 2022-12-05 | 2023-01-17 | 广州市德赛西威智慧交通技术有限公司 | 一种交通毫米波雷达标定方法及系统 |
| CN116068538A (zh) * | 2023-04-06 | 2023-05-05 | 中汽研（天津）汽车工程研究院有限公司 | 一种用于批量式车辆激光雷达的可调节标定系统和方法 |
| CN116129389A (zh) * | 2023-03-27 | 2023-05-16 | 浙江零跑科技股份有限公司 | 一种车道线获取方法、计算机设备、可读存储介质及机动车 |
| CN117451072A (zh) * | 2023-12-21 | 2024-01-26 | 广汽埃安新能源汽车股份有限公司 | 一种车辆起步阶段的轨迹规划方法及装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109541571A (zh) * | 2018-12-29 | 2019-03-29 | 北京智行者科技有限公司 | Eps零偏和多线激光雷达的联合标定方法 |
| CN110609268A (zh) * | 2018-11-01 | 2019-12-24 | 驭势科技（北京）有限公司 | 一种激光雷达标定方法、装置、系统及存储介质 |
| CN110793544A (zh) * | 2019-10-29 | 2020-02-14 | 北京百度网讯科技有限公司 | 感知传感器参数标定方法、装置、设备及存储介质 |
| CN112346037A (zh) * | 2020-11-19 | 2021-02-09 | 中国第一汽车股份有限公司 | 车载激光雷达的标定方法、装置、设备及车辆 |
| CN112348848A (zh) * | 2020-10-26 | 2021-02-09 | 国汽(北京)智能网联汽车研究院有限公司 | 一种交通参与者的信息生成方法及系统 |
| CN112558023A (zh) * | 2019-09-25 | 2021-03-26 | 华为技术有限公司 | 传感器的标定方法和装置 |
| CN112712040A (zh) * | 2020-12-31 | 2021-04-27 | 潍柴动力股份有限公司 | 基于雷达校准车道线信息的方法、装置、设备及存储介质 |
| CN112835019A (zh) * | 2020-12-30 | 2021-05-25 | 广州小鹏自动驾驶科技有限公司 | 车辆传感器标定方法、装置、车辆和存储介质 |
-
2021
- 2021-12-31 CN CN202111679792.6A patent/CN114280582A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110609268A (zh) * | 2018-11-01 | 2019-12-24 | 驭势科技（北京）有限公司 | 一种激光雷达标定方法、装置、系统及存储介质 |
| CN109541571A (zh) * | 2018-12-29 | 2019-03-29 | 北京智行者科技有限公司 | Eps零偏和多线激光雷达的联合标定方法 |
| CN112558023A (zh) * | 2019-09-25 | 2021-03-26 | 华为技术有限公司 | 传感器的标定方法和装置 |
| CN110793544A (zh) * | 2019-10-29 | 2020-02-14 | 北京百度网讯科技有限公司 | 感知传感器参数标定方法、装置、设备及存储介质 |
| CN112348848A (zh) * | 2020-10-26 | 2021-02-09 | 国汽(北京)智能网联汽车研究院有限公司 | 一种交通参与者的信息生成方法及系统 |
| CN112346037A (zh) * | 2020-11-19 | 2021-02-09 | 中国第一汽车股份有限公司 | 车载激光雷达的标定方法、装置、设备及车辆 |
| CN112835019A (zh) * | 2020-12-30 | 2021-05-25 | 广州小鹏自动驾驶科技有限公司 | 车辆传感器标定方法、装置、车辆和存储介质 |
| CN112712040A (zh) * | 2020-12-31 | 2021-04-27 | 潍柴动力股份有限公司 | 基于雷达校准车道线信息的方法、装置、设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115616510A (zh) * | 2022-12-05 | 2023-01-17 | 广州市德赛西威智慧交通技术有限公司 | 一种交通毫米波雷达标定方法及系统 |
| CN116129389A (zh) * | 2023-03-27 | 2023-05-16 | 浙江零跑科技股份有限公司 | 一种车道线获取方法、计算机设备、可读存储介质及机动车 |
| CN116068538A (zh) * | 2023-04-06 | 2023-05-05 | 中汽研（天津）汽车工程研究院有限公司 | 一种用于批量式车辆激光雷达的可调节标定系统和方法 |
| CN117451072A (zh) * | 2023-12-21 | 2024-01-26 | 广汽埃安新能源汽车股份有限公司 | 一种车辆起步阶段的轨迹规划方法及装置 |
| CN117451072B (zh) * | 2023-12-21 | 2024-03-26 | 广汽埃安新能源汽车股份有限公司 | 一种车辆起步阶段的轨迹规划方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114280582A (zh) | 激光雷达的标定校准方法、装置、存储介质及电子设备 | |
| CN108303103B (zh) | 目标车道的确定方法和装置 | |
| CN111750881B (zh) | 一种基于路灯杆的车辆位姿的修正方法和装置 | |
| CN112697169B (zh) | 车辆定位的初始化方法、装置、处理器和车辆 | |
| CN110517531B (zh) | 一种基于高精度地图数据的多层停车场定位方法 | |
| CN111750882B (zh) | 一种导航地图在初始化时车辆位姿的修正方法和装置 | |
| CN114550042A (zh) | 一种道路消失点提取方法、车载传感器标定方法及装置 | |
| CN111381585B (zh) | 一种构建占据栅格地图的方法及其装置、相关设备 | |
| CN111222417A (zh) | 一种用于提高基于车载图像车道线提取精度的方法及装置 | |
| JP2015194397A (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラムならびに車両位置検出システム | |
| CN114730472A (zh) | 车载相机的外部参数的标定方法及相关装置 | |
| CN113223064B (zh) | 一种视觉惯性里程计尺度的估计方法和装置 | |
| CN109115232B (zh) | 导航的方法和装置 | |
| CN111982132B (zh) | 数据处理方法、装置和存储介质 | |
| CN116358486A (zh) | 基于单目相机的目标测距方法、装置及介质 | |
| CN112424568A (zh) | 构建高清地图的系统和方法 | |
| CN114358038B (zh) | 一种基于车辆高精度定位的二维码坐标标定方法及装置 | |
| CN115908729A (zh) | 三维实景构建方法、装置、设备及计算机可读存储介质 | |
| CN113066133B (zh) | 一种基于路面标识几何特征的车载摄像头在线自标定方法 | |
| CN112258582B (zh) | 一种基于道路场景识别的相机姿态标定方法及装置 | |
| CN114494625A (zh) | 高精度地形图制作方法、装置和计算机设备 | |
| CN115077563A (zh) | 车辆定位精度评价方法、装置及电子设备 | |
| CN113034538B (zh) | 一种视觉惯导设备的位姿跟踪方法、装置及视觉惯导设备 | |
| CN114791282A (zh) | 一种基于车辆高精度定位的路政设施坐标标定方法及装置 | |
| CN113238267A (zh) | 车辆在坡道上的定位方法及装置 |
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 |