CN115100287B - 外参标定方法及机器人 - Google Patents
外参标定方法及机器人 Download PDFInfo
- Publication number
- CN115100287B CN115100287B CN202210394248.5A CN202210394248A CN115100287B CN 115100287 B CN115100287 B CN 115100287B CN 202210394248 A CN202210394248 A CN 202210394248A CN 115100287 B CN115100287 B CN 115100287B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- sensor
- calibration
- coordinate system
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 239000013598 vector Substances 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000013519 translation Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 3
- 230000004438 eyesight Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 description 15
- 230000009466 transformation Effects 0.000 description 14
- 230000004927 fusion Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 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
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06T7/85—Stereo camera calibration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30244—Camera pose
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及计算机视觉技术领域,提供一种外参标定方法及机器人,该方法包括:获取第一传感器采集标定物的第一点云信息以及第二传感器采集标定物的第二点云信息,标定物包括相互垂直的三个标定平面;拟合得到第一点云信息在三个标定平面上的点云线以及第二点云信息在三个标定平面上的点云平面;基于点云线,确定第一传感器相对于标定物的第一位姿信息;基于点云平面,确定第二传感器相对于标定物的第二位姿信息;基于第一位姿信息和第二位姿信息,确定第一传感器和第二传感器间的外部参数。该方法通过拟合标定平面上的点云线和点云平面,标定第一传感器和第二传感器之间的外部参数,有效减少观测次数和标定准确度。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及外参标定方法及机器人。
背景技术
激光雷达探测距离远、视角广且精度高,常用于实时定位构建地图,深度相机可准确探测环境的三维信息,常用于物体检测和避障,在智能驾驶及工业机器人等领域,激光雷达与深度相机常常联合使用,为车辆或机器人提供环境信息。
在激光雷达与深度相机联合使用的过程中,为提供准确的环境信息,需要将激光雷达与深度相机两个传感器采集的信息进行融合,信息融合的前提是传感器间外部参数的标定。
目前,适用于深度相机和激光雷达的外参标定方法通常需要多次观测,该类标定方法流程复杂、可操作性差,且对标定物的尺寸精度要求高,标定物尺寸精度低时还易导致外参标定产生较大误差。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种外参标定方法,简化外参标定流程,提升标定准确度。
根据本发明第一方面实施例的外参标定方法,包括:
获取第一传感器采集标定物的第一点云信息以及第二传感器采集所述标定物的第二点云信息,所述标定物包括相互垂直的三个标定平面;
拟合得到所述第一点云信息在所述三个标定平面上的点云线以及所述第二点云信息在所述三个标定平面上的点云平面;
基于所述点云线,确定所述第一传感器相对于所述标定物的第一位姿信息;
基于所述点云平面,确定所述第二传感器相对于所述标定物的第二位姿信息;
基于所述第一位姿信息和所述第二位姿信息,确定所述第一传感器和所述第二传感器间的外部参数。
根据本发明实施例的外参标定方法,通过第一传感器和第二传感器同时观测标定物的三个相互垂直的平面,提取点云信息中落在三个相互垂直的平面上的点,对第一传感器和第二传感器之间的外部参数进行标定,可有效减少观测次数,提升外参标定的准确度,提升传感器间信息融合的精确度。
根据本发明的一个实施例,所述基于所述点云线,确定所述第一传感器相对于所述标定物的第一位姿信息,包括:
基于多点透视算法,确定所述点云线的交点在第一传感器的坐标系的第一坐标和在世界坐标系的世界坐标,所述世界坐标系基于所述标定物建立;
基于所述第一坐标和所述世界坐标,确定所述第一位姿信息。
根据本发明的一个实施例,所述基于所述点云平面,确定所述第二传感器相对于所述标定物的第二位姿信息,包括:
获取所述点云平面在第二传感器的坐标系与世界坐标系之间的旋转矩阵和平移向量,所述世界坐标系基于所述标定物建立;
基于所述旋转矩阵和所述平移向量,确定所述第二位姿信息。
根据本发明的一个实施例,所述获取所述点云平面在第二传感器的坐标系与世界坐标系之间的旋转矩阵和平移向量,包括:
获取所述点云平面在所述第二传感器的坐标系下的第二正交基;
基于所述第二正交基和所述世界坐标系的世界正交基,确定所述旋转矩阵;
获取所述点云平面与所述世界坐标系的平面距离;
基于所述平面距离,确定所述平移向量。
根据本发明的一个实施例,所述基于所述旋转矩阵和所述平移向量,确定所述第二位姿信息,包括:
对所述旋转矩阵和所述平移向量进行奇异值分解,校正所述旋转矩阵和所述平移向量;
基于校正后的所述旋转矩阵和所述平移向量,确定所述第二位姿信息。
根据本发明的一个实施例,所述基于所述第一位姿信息和所述第二位姿信息,确定所述第一传感器和所述第二传感器间的外部参数,包括:
基于所述第一位姿信息和所述第二位姿信息,获得第一外部参数;
对所述第一外部参数进行非线性优化,获得所述外部参数。
根据本发明的一个实施例,所述非线性优化包括基于所述点云平面和所述点云线间的几何约束关系的优化。
根据本发明第二方面实施例的外参标定装置,包括:
获取模块,用于获取第一传感器采集标定物的第一点云信息以及第二传感器采集所述标定物的第二点云信息,所述标定物包括相互垂直的三个标定平面;
第一处理模块,拟合得到所述第一点云信息在所述三个标定平面上的点云线以及所述第二点云信息在所述三个标定平面上的点云平面;
第二处理模块,用于基于所述点云线,获取所述第一传感器相对于所述标定物的第一位姿信息;
第三处理模块,用于基于所述点云平面,获取所述第二传感器相对于所述标定物的第二位姿信息;
第四处理模块,用于基于所述第一位姿信息和所述第二位姿信息,确定所述第一传感器和所述第二传感器间的外部参数。
根据本发明第三方面实施例的机器人,包括:
第一传感器和第二传感器:
控制器,所述控制器基于上述的外参标定方法,确定所述第一传感器和所述第二传感器间的外部参数。
根据本发明第四方面实施例的电子设备,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计算机程序,所述处理器执行所述计算机程序时实现如上述任一种所述外参标定方法。
根据本发明第五方面实施例的非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述外参标定方法。
根据本发明第六方面实施例的计算机程序产品,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述任一种所述外参标定方法。
本发明实施例中的上述一个或多个技术方案,至少具有如下技术效果之一:
标定物包括三个相互垂直的平面即可,对标定物的尺寸和平面度不敏感,通过第一传感器和第二传感器同时观测标定物的三个相互垂直的平面,提取点云信息中落在三个相互垂直的平面上的点,对第一传感器和第二传感器之间的外部参数进行标定,可有效减少观测次数,提升外参标定的准确度,提升传感器间信息融合的精确度。
进一步的,基于标定物包括三个相互垂直的平面的特点,通过多点透视算法可以准确求解第一传感器采集的点云线在第一传感器的坐标系和世界坐标系的坐标信息,进而确定第一传感器相对于标定物的位姿信息。
更进一步的,基于标定物包括三个相互垂直的平面的特点,可以根据标定物的三个标定平面对应的正交基以及第二传感器的三个点云平面对应的正交基,确定第二传感器的坐标系与世界坐标系之间进行旋转变换的旋转矩阵,进而确定第二传感器相对于标定物的位姿信息。
再进一步的,基于第一传感器的点云线和第二传感器的点云平面间的线面几何约束,构建精配准的代价方程,优化第一外部参数,提升第一传感器和第二传感器之间的外部参数的准确度。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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发明的一些实施例,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他的附图。
图1是本发明实施例提供的外参标定方法的流程示意图之一;
图2是本发明实施例提供的世界坐标系的示意图;
图3是本发明实施例提供的第一传感器的坐标系的示意图;
图4是本发明实施例提供的第二传感器的坐标系的示意图;
图5是本发明实施例提供的第一传感器标定的过程示意图;
图6是本发明实施例提供的第二传感器标定的过程示意图;
图7是本发明实施例提供的几何约束关系的示意图;
图8是本发明实施例提供的外参标定方法的流程示意图之二;
图9是本发明实施例提供的外参标定装置的结构示意图;
图10是本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明,但不能用来限制本发明的范围。
在本发明实施例的描述中,需要说明的是,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明实施例中的具体含义。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
下面结合图1至图8描述本发明实施例的外参标定方法,该方法的执行主体可以为设备终端的控制器,或者云端,或者边缘服务器。
本发明实施例的外参标定方法应用于确定第一传感器和第二传感器之间的外部参数,实现第一传感器和第二传感器间的外参标定,有助于第一传感器和第二传感器间的信息融合。
在本发明实施例中,标定物包括有三个相互垂直的平面,标定物可以为三个相互垂直的平板构成的,标定物也可以为正方体或长方体,正方体或长方体的顶角处有三个相互垂直的平面。
如图1所示,本发明实施例的外参标定方法包括步骤110至步骤150。
步骤110、获取第一传感器采集标定物的第一点云信息以及第二传感器采集标定物的第二点云信息。
第一传感器观测标定物的三个相互垂直的标定平面,得到第一点云信息,第二传感器观测标定物的三个相互垂直的标定平面,得到第二点云信息。
可以理解的是,在进行第一传感器和第二传感器的外参标定时,是第一传感器和第二传感器同时观测标定物,采集到对应的点云信息。
第一传感器可以为激光雷达(LiDAR)、合成孔径雷达(SAR)及真实孔径雷达(RAR)等可以采集物体点云信息,用于定位或构建地图的传感器。
激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统,其工作原理是向目标发射探测信号,然后将接收到的从目标反射回来的信号与发射信号进行比较,作适当处理后,获得目标的有关信息,如目标的距离、方位、高度、速度、姿态及形状等参数,从而对目标进行探测、跟踪和识别。
第二传感器可以为用于探测环境深度信息的深度相机,例如,第二传感器可以为结构光深度相机、双目视觉深度相机以及基于光飞行时间法(TOF)的深度相机。
深度相机具有深度测量功能,可以准确地感知周围环境的三维信息,实现物体检测和避障。
步骤120、拟合得到第一点云信息在三个标定平面上的点云线以及第二点云信息在三个标定平面上的点云平面。
点云线是第一传感器采集标定物的第一点云信息拟合得到的,第一传感器观测标定物的三个相互垂直的平面,提取第一传感器的第一点云信息落在三个相互垂直的平面上的点,通过点云直线拟合形成点云线。
其中,针对第一传感器的第一点云信息的点云直线拟合可以采用高斯模糊模型点云分割聚类算法、基于RANSAC单帧数据直线拟合算法或多帧数据实时直线优化算法进行拟合。
以第一传感器为激光雷达为例,如图5所示,第一传感器采集的点云线可以为L1、L2及L3三条由点云信息构成的线段。
点云平面是第二传感器采集标定物的第二点云信息拟合得到的,第二传感器观测标定物的三个相互垂直的平面,提取第二传感器的第二点云信息落在三个相互垂直的平面上的点,通过点云平面拟合形成点云平面。
其中,针对第二传感器的点云信息的点云平面拟合可以通过使用RANSAC算法在空间点云中拟合平面实现。
以第二传感器为深度相机为例,如图6所示,第一传感器采集的点云平面可以为j1、j2及j3三个由点云信息构成的平面。
需要说明的是,在提取点云线以及点云平面之前,需要对第一传感器采集的第一点云信息以及第二传感器采集的第二点云信息进行点云去噪处理,有效剔除点云信息的噪声点、使提取点云线以及点云平面平滑,并保持原有的拓扑和几何特征不变。
步骤130、基于点云线,确定第一传感器相对于标定物的第一位姿信息。
第一传感器采集的第一点云信息拟合的点云线,该点云线上的点在第一传感器所在的坐标系中具有对应的坐标信息。
相应地,点云线是落在标定物上的点云信息,该点云线上的点在标定物所在的坐标系具有对应的坐标信息。
根据点云线上的点在第一传感器所在的坐标系的坐标信息与该点云线上的点在标定物所在的坐标系的坐标信息,可以确定出第一传感器相对于标定物的第一位姿信息。
位姿是世界坐标系到传感器坐标系的变换,包括旋转与平移,在该实施例中,第一位姿信息是第一传感器的坐标系相对于标定物的坐标系变换的信息,也即以标定物所在的坐标系为世界坐标系。
步骤140、基于点云平面,确定第二传感器相对于标定物的第二位姿信息。
第二传感器采集的第二点云信息拟合的点云平面,该点云平面上的点在第二传感器所在的坐标系中具有对应的坐标信息。
相应地,点云平面是落在标定物上的点云信息,该点云平面上的点在标定物所在的坐标系也具有对应的坐标信息。
根据点云平面上的点在第二传感器所在的坐标系的坐标信息与该点云平面上的点在标定物所在的坐标系的坐标信息,可以确定出第二传感器相对于标定物的第二位姿信息。
步骤150、基于第一位姿信息和第二位姿信息,确定第一传感器和第二传感器之间的外部参数。
传感器之间的位姿信息也称为传感器之间的外部参数,相比于传感器内部不变的内部参数,外部参数会随着传感器间的运动发生改变。
在该实施例中,第一传感器和第二传感器之间的外部参数是第一传感器的坐标系到第二传感器的坐标系变换的旋转或平移参数。
第一位姿信息是第一传感器的坐标系相对于标定物的坐标系变换的位姿信息,第二位姿信息是第二传感器的坐标系相对于标定物的坐标系变换的位姿信息。
在该实施例中,以标定物的坐标系为参考标准,根据第一位姿信息和第二位姿信息,确定出第一传感器的坐标系和第二传感器的坐标系变换的位姿信息,也即第一传感器和第二传感器间的外部参数。
确定第一传感器与第二传感器之间外部参数,实现第一传感器与第二传感器间外部参数的标定,能够使得第一传感器采集的点云信息和第二传感器采集的点云信息的点准确重合,实现传感器间的信息融合,进而提供准确的环境信息。
以第一传感器为激光雷达,第二传感器为深度相机为例。
将激光雷达采集的激光点分别通过本发明实施例的外参标定方法确定的外部参数和机器人上激光雷达设置的机械外部参数投影到深度相机的点云信息中,实现标定结果的可视化。
激光点通过本发明实施例的外参标定方法确定的外部参数投影的点云信息与深度相机的点云信息的重合度更高,融合效果更好。
传感器标定问题是计算机视觉技术领域重点关注的问题,机器人的视觉通常由多个传感器的融合信息确定,例如,深度相机和激光雷达的联用,由于传感器机械安装误差以及机器人运动影响,传感器间的位姿也即外部参数会产生较大偏差,需要及时快速地标定。
相关技术中,传感器间的外参标定需要多次对标定物品进行观测,标定流程复杂、可操作性差,且对标定物品的制造精度例如尺寸及平面度等要求较高,标定物尺寸精度低时还易导致外参标定产生较大误差。
在本发明实施例中,标定物包括三个相互垂直的平面即可,对标定物的尺寸和平面度不敏感,通过第一传感器和第二传感器同时观测标定物的三个相互垂直的平面,提取点云信息中落在三个相互垂直的平面上的点,对第一传感器和第二传感器之间的外部参数进行标定,可有效减少观测次数,提升外参标定的准确度,提升传感器间信息融合的精确度。
根据本发明实施例提供的外参标定方法,通过第一传感器和第二传感器观测包括三个相互垂直的平面的标定物,拟合第一传感器和第二传感器的点云信息中落在标定物上的点云线和点云平面,对第一传感器和第二传感器之间的外部参数进行标定,可有效减少观测次数,提升外参标定的准确度,提升第一传感器和第二传感器之间信息融合的精确度。
在一些实施例中,步骤130包括:
基于多点透视算法,确定点云线的交点在第一传感器的坐标系的第一坐标和在世界坐标系的世界坐标,世界坐标系基于标定物建立;
基于第一坐标和世界坐标,确定第一位姿信息。
以第一传感器为激光雷达为例。
激光雷达通过发射和接收激光束来计算与观测物体的距离,通过TOF时间差获得距离,通过水平旋转扫描测角度,并根据这两个参数建立二维的极坐标系,再通过获取不同俯仰角度获得三维的高度信息,进而建立出三维的坐标系。
如图3所示,以激光雷达建立的第一传感器的坐标系为LCS,包括xL、yL及zL三条坐标轴。
如图2所示,以标定物建立的世界坐标系为WCS,包括xW、yW及zW三条坐标轴。
其中,标定物包括相互垂直的三个标定平面,三个标定平面的交点为世界坐标系的原点,三个标定平面两两相交处的直线为世界坐标系的三条坐标轴。
在该实施例中,多点透视算法是基于多点透视问题进行求解的算法,第一传感器采集的点云线落在标定物上,标定物包括相互垂直的三个标定平面,每个平面都有对应的点云线,也即点云线包括三条点云信息构成的直线。
基于多点透视问题进行求解的算法可以为PnP方法,PnP方法为已知n个三维空间点坐标及其二维投影位置,估计传感器的位姿。
在该实施例中,点云线的三条直线相交,得到三个交点,其中一个交点是两条在标定物所在的坐标系不相交的直线透视相交的交点。
根据点云线的各个交点在第一传感器的坐标系的第一坐标和在世界坐标系的世界坐标,可以确定出第一传感器相对于标定物的第一位姿信息。
以第一传感器为激光雷达为例。
如图5所示,激光雷达的点云落在标定物的三个相互垂直的平面上,形成三条点云线L1、L2和L3。
三条点云线L1、L2和L3相交得到三个点,L2和L3相交于L1和L2相交于L1和L3相交于
计算和之间的距离l1,和之间的距离l2,和之间的距离l3,根据标定物的三个标定平面相互垂直的条件,通过简化的透视三点算法计算得到和到标定物三个相互垂直平面的交点p的距离λ1、λ2以及λ3。
其中,交点p是基于标定物建立的世界坐标系原点,λ1、λ2以及λ3可通过下式确定:
确定距离λ1、λ2以及λ3,可以得到三个交点在世界坐标系下的世界坐标,结合三个交点在第一传感器的坐标系下的第一坐标,根据三个交点在两个坐标系的坐标对应关系,进而确定第一传感器相对于标定物的第一位姿信息。
在一些实施例中,步骤140包括:
获取点云平面在第二传感器的坐标系与世界坐标系之间的旋转矩阵和平移向量,第二传感器的坐标系基于第二传感器建立,世界坐标系基于标定物建立;
基于旋转矩阵和平移向量,确定第二位姿信息。
以第二传感器为深度相机为例。
深度相机采集RGB-D图像,其中RGB图提供了第二传感器的坐标系的x坐标和y坐标,深度图补充了第二传感器的坐标系的z坐标,也就是深度相机与物体上的点的距离。
如图4所示,以深度相机建立的第二传感器的坐标系为DCS,包括xD、yD及zD三条坐标轴。
在该实施例中,第二传感器采集的点云落在标定物上形成三个点云平面,旋转矩阵和平移向量是将标定物所在的世界坐标系中的点转换到第二传感器的坐标系中的参数。
如图6所示,深度相机的点云落在标定物上,根据标定物的三个标定平面相互垂直的条件,从深度相机的点云中拟合得到相互垂直的三个点云平面j1、j2以及j3。
根据点云平面与世界坐标系的三个标定平面的点进行转换时的旋转矩阵和平移向量,可以确定第二传感器相对于标定物的第二位姿信息。
在一些实施例中,获取点云平面在第二传感器的坐标系与世界坐标系之间的旋转矩阵和平移向量,包括:
获取点云平面在第二传感器的坐标系下的第二正交基;
基于第二正交基和世界坐标系的世界正交基,确定旋转矩阵;
获取点云平面与世界坐标系的平面距离;
基于平面距离,确定平移向量。
可以理解的是,第二传感器的坐标系与世界坐标系之间的变换包括旋转变换和平移变换,旋转矩阵是描述旋转变换的参数,平移向量是描述平移变换的参数。
欧式空间中一组非零的向量,如果它们两两正交,就称为一个正交向量组,在n维欧氏空间中,由n个向量组成的正交向量组称为正交基,其中,由单位向量组成的正交基称为标准正交基。
标定物的三个标定平面是相互垂直的,也即标定物的三个标定平面上存在相互正交的正交基,相应地,第二传感器点云落在标定物形成的三个点云平面也存在相互正交的正交基。
在该实施例中,可以根据标定物的三个标定平面对应的正交基以及第二传感器的三个点云平面对应的正交基,确定第二传感器的坐标系与世界坐标系之间进行旋转变换的旋转矩阵。
以第二传感器为深度相机为例,介绍旋转矩阵和平移向量的计算步骤。
如图6所示,深度相机的点云落在标定物上,根据标定物的三个标定平面相互垂直的条件,从深度相机的点云中拟合得到相互垂直的三个点云平面j1、j2以及j3。
拟合三个点云平面j1、j2以及j3的平面参数以及其中,为点云平面j1的单位法向量,为点云平面j1到第二传感器的坐标系的原点之间的距离,以此类推。
在该实施例中,通过和构建一组第二传感器的坐标系下的第二正交基,相应地,世界坐标系下的世界正交基为(1,0,0)、(0,1,0)以及(0,0,1)。
根据世界正交基和第二正交基,可计算深度相机所在的第二传感器的坐标系和标定物所在世界坐标系下的旋转矩阵RDW。
其中,旋转矩阵RDW如下式:
在三个点云平面π1、π2以及π3的平面参数以及中,以及是三个点云平面到第二传感器的坐标系的原点的距离,也即第二传感器的坐标系在世界坐标系下的位置,以以及表示平移向量tDW。
其中,平移向量tDW如下式:
式中括号右上角的T表示矩阵转置。
在一些实施例中,基于旋转矩阵和平移向量,确定第二位姿信息,包括:
对旋转矩阵和平移向量进行奇异值分解,校正旋转矩阵和平移向量;
基于校正后的旋转矩阵和平移向量,确定第二位姿信息。
可以理解的是,点云平面由第二传感器的点云拟合得到,在实际执行中,由于第二传感器的噪声或标定物制造误差的影响,无法保证提取到的三个点云平面相互垂直。
在该实施例中,通过奇异值分解,对旋转矩阵和平移向量进行校正,提升第二位姿信息的准确度。
其中,奇异值分解(Singular Value Decomposition,SVD)是在机器学习领域广泛应用的算法可用于降维算法中的特征分解。
奇异值分解的几何意义为:对于每一个线性映射T:K→K,T把K的第i个基向量映射为K的第i个基向量的非负倍数,然后将余下的基向量映射为零向量,对照这些基向量,映射T就可以表示为一个非负对角阵。
假设M是一个m×n阶矩阵,其中的元素全部属于域K,也就是实数域或复数域,如此则存在一个分解使得M=U∑VT。
对于任意的奇异值分解,矩阵Σ的对角线上的元素等于M的奇异值,U和V的列分别是奇异值中的左、右奇异向量。
在该实施例中,根据正交基对应求解的原旋转矩阵RDW可以被奇异值分解算法分解为RDW=U∑VT,其中,U、V为奇异值分解得到的正交矩阵。
在实际执行中,将奇异值矩阵∑替换为单位矩阵即RDW'=UVT,式中RDW'为校正后的旋转矩阵。
求解得到校正的旋转矩阵RDW'后,通过对平移向量tDW进行校正,式中tDW'为校正后的平移向量。
在一些实施例中,步骤150包括:
基于第一位姿信息和第二位姿信息,获得第一外部参数;
对第一外部参数进行非线性优化,获得外部参数。
在该实施例中,通过步骤130和步骤140确定的第一位姿信息和第二位姿信息,计算第一传感器和第二传感器之间进行变换的外部参数的粗略估计值,也即第一外部参数。
进而对第一外部参数进行非线性优化,确定最终的第一传感器和第二传感器之间的外部参数。
在一些实施例中,非线性优化包括基于点云平面和点云线间的几何约束关系的优化。
在该实施例中,非线性优化基于第一传感器的点云线和第二传感器的点云平面间线面几何约束,构建精配准的代价方程,优化第一外部参数,得到最终的第一传感器和第二传感器之间的外部参数。
其中,代价方程是用于表示预测值与实际值之间误差的函数。
在该实施例中,点云平面和点云线间的几何约束关系包括:点云平面的平面法线垂直于对应的点云线,点云平面与对应的点云线点之间的距离为零。
如图7所示,为点云平面j对应的点云线的向量,P1、P2以及P3为点云线上的点,为点云平面j的单位法向量,也即点云平面j的平面法线,d=0表示点云平面j与对应的点云线点之间的距离为零,点云平面j对应的点云线用向量和点表示
根据点云平面和点云线的点线几何约束关系,构建精配准的代价方程如下:
其中,为点云平面j的单位法向量,为点云平面j对应的点云线的向量,距离是点云平面j在第二传感器的坐标系中的平面参数,RLD和tLD分别表示优化的第一传感器相对于第二传感器的旋转参数和平移参数。
可以理解的是,第一传感器相对于第二传感器的外部参数包括旋转参数RLD和平移参数tLD。
下面介绍一个具体的实施例。
如图8所示,基于标定物、激光雷达和深度相机,分别建立世界坐标系、第一传感器的坐标系和第二传感器的坐标系三个坐标系。
通过第一传感器和第二传感器同时观测标定物,对激光雷达和深度相机的点云数据进行提取和去噪等预处理,获取点云线和点云平面。
通过简化的P3P问题的求解算法,估计激光雷达的第一传感器的坐标系和世界坐标系的位姿变换,获得第一位姿信息。
通过正交基对应,估计深度相机的第二传感器的坐标系和世界坐标系的位姿变换,获得第二位姿信息,并通过奇异值求解对第二位姿信息进行位姿修正。
结合前面两步,粗略估计激光雷达和深度相机之间的相对位姿变换参数,也即第一外部参数。
基于深度相机的点云平面和激光雷达的点云线间点线几何约束,构建精配准的代价方程,优化位姿变换参数,获得最终的激光雷达和深度相机之间的外部参数。
下面对本发明实施例提供的外参标定装置进行描述,下文描述的外参标定装置与上文描述的外参标定方法可相互对应参照。
如图9所示,本发明实施例提供的外参标定装置包括:
获取模块910,用于获取第一传感器采集标定物的第一点云信息以及第二传感器采集所述标定物的第二点云信息,所述标定物包括相互垂直的三个标定平面;
第一处理模块920,用于拟合得到所述第一点云信息在所述三个标定平面上的点云线以及所述第二点云信息在所述三个标定平面上的点云平面;
获取点云线和点云平面,点云线为第一传感器采集标定物的点云信息,点云平面为第二传感器采集标定物的点云信息,标定物包括相互垂直的三个标定平面;
第二处理模块930,用于基于点云线,确定第一传感器相对于标定物的第一位姿信息;
第三处理模块940,用于基于点云平面,确定第二传感器相对于标定物的第二位姿信息;
第三处理模块950,用于基于第一位姿信息和第二位姿信息,确定第一传感器和第二传感器间的外部参数。
根据本发明实施例提供的外参标定装置,通过第一传感器和第二传感器观测包括三个相互垂直的平面的标定物,拟合第一传感器和第二传感器的点云信息中落在标定物上的点云线和点云平面,对第一传感器和第二传感器之间的外部参数进行标定,可有效减少观测次数,提升外参标定的准确度,提升第一传感器和第二传感器之间信息融合的精确度。
在一些实施例中,第二处理模块930用于基于多点透视算法,确定点云线的交点在第一传感器的坐标系的第一坐标和在世界坐标系的世界坐标,世界坐标系基于标定物建立;基于第一坐标和世界坐标,确定第一位姿信息。
在一些实施例中,第三处理模块940用于获取点云平面在第二传感器的坐标系与世界坐标系之间的旋转矩阵和平移向量,世界坐标系基于标定物建立;基于旋转矩阵和平移向量,确定第二位姿信息。
在一些实施例中,第三处理模块940用于获取点云平面在第二传感器的坐标系下的第二正交基;基于第二正交基和世界坐标系的世界正交基,确定旋转矩阵;获取点云平面与世界坐标系的平面距离;基于平面距离,确定平移向量。
在一些实施例中,第三处理模块940用于对旋转矩阵和平移向量进行奇异值分解,校正旋转矩阵和平移向量;基于校正后的旋转矩阵和平移向量,确定第二位姿信息。
在一些实施例中,第三处理模块950用于基于第一位姿信息和第二位姿信息,获得第一外部参数;对第一外部参数进行非线性优化,获得外部参数。
在一些实施例中,非线性优化包括基于点云平面和点云线间的几何约束关系的优化。
本发明还提供一种机器人。
机器人上设置有第一传感器和第二传感器,第一传感器和第二传感器构成该机器人的视觉感知系统。
机器人的控制器与第一传感器和第二传感器电连接,可以根据上述的外参标定方法,确定第一传感器和第二传感器间的外部参数,执行第一传感器和第二传感器外参标定的操作。
根据本发明实施例提供的机器人,通过第一传感器和第二传感器观测包括三个相互垂直的平面的标定物,拟合第一传感器和第二传感器的点云信息中落在标定物上的点云线和点云平面,对第一传感器和第二传感器之间的外部参数进行标定,可有效减少观测次数,提升外参标定的准确度,提升第一传感器和第二传感器之间信息融合的精确度,使得第一传感器和第二传感器为机器人提供准确的环境信息。
图10示例了一种电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)1010、通信接口(Communications Interface)1020、存储器(memory)1030和通信总线1040,其中,处理器1010,通信接口1020,存储器1030通过通信总线1040完成相互间的通信。处理器1010可以调用存储器1030中的逻辑指令,以执行外参标定方法,该方法包括:获取第一传感器采集标定物的第一点云信息以及第二传感器采集标定物的第二点云信息,标定物包括相互垂直的三个标定平面;拟合得到第一点云信息在三个标定平面上的点云线以及第二点云信息在三个标定平面上的点云平面;基于点云线,确定第一传感器相对于标定物的第一位姿信息;基于点云平面,确定第二传感器相对于标定物的第二位姿信息;基于第一位姿信息和第二位姿信息,确定第一传感器和第二传感器间的外部参数。
此外,上述的存储器1030中的逻辑指令可以通过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中,包括若干指令用以使得一台计算机设备(可以是个人计算机,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。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
进一步地,本发明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,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法实施例所提供的外参标定方法,该方法包括:获取第一传感器采集标定物的第一点云信息以及第二传感器采集标定物的第二点云信息,标定物包括相互垂直的三个标定平面;拟合得到第一点云信息在三个标定平面上的点云线以及第二点云信息在三个标定平面上的点云平面;基于点云线,确定第一传感器相对于标定物的第一位姿信息;基于点云平面,确定第二传感器相对于标定物的第二位姿信息;基于第一位姿信息和第二位姿信息,确定第一传感器和第二传感器间的外部参数。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的外参标定方法,该方法包括:获取第一传感器采集标定物的第一点云信息以及第二传感器采集标定物的第二点云信息,标定物包括相互垂直的三个标定平面;拟合得到第一点云信息在三个标定平面上的点云线以及第二点云信息在三个标定平面上的点云平面;基于点云线,确定第一传感器相对于标定物的第一位姿信息;基于点云平面,确定第二传感器相对于标定物的第二位姿信息;基于第一位姿信息和第二位姿信息,确定第一传感器和第二传感器间的外部参数。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
以上实施方式仅用于说明本发明,而非对本发明的限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行各种组合、修改或者等同替换,都不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围中。
Claims (9)
1.一种外参标定方法,其特征在于,包括:
获取第一传感器采集标定物的第一点云信息以及第二传感器采集所述标定物的第二点云信息,所述标定物包括相互垂直的三个标定平面;
拟合得到所述第一点云信息在所述三个标定平面上的点云线以及所述第二点云信息在所述三个标定平面上的点云平面;
基于所述点云线,确定所述第一传感器相对于所述标定物的第一位姿信息;
基于所述点云平面,确定所述第二传感器相对于所述标定物的第二位姿信息;
基于所述第一位姿信息和所述第二位姿信息,获得第一外部参数;
构建精配准的代价方程,对所述第一外部参数进行非线性优化,获得所述外部参数;
所述非线性优化包括基于所述点云平面和所述点云线间的几何约束关系的优化;所述代价方程是用于表示预测值与实际值之间误差的函数;点云平面和点云线间的几何约束关系包括:点云平面的平面法线垂直于对应的点云线,点云平面与对应的点云线点之间的距离为零。
2.根据权利要求1所述的外参标定方法,其特征在于,所述基于所述点云线,确定所述第一传感器相对于所述标定物的第一位姿信息,包括:
基于多点透视算法,确定所述点云线的交点在第一传感器的坐标系的第一坐标和在世界坐标系的世界坐标,所述世界坐标系基于所述标定物建立;
基于所述第一坐标和所述世界坐标,确定所述第一位姿信息。
3.根据权利要求1所述的外参标定方法,其特征在于,所述基于所述点云平面,确定所述第二传感器相对于所述标定物的第二位姿信息,包括:
获取所述点云平面在第二传感器的坐标系与世界坐标系之间的旋转矩阵和平移向量,所述世界坐标系基于所述标定物建立;
基于所述旋转矩阵和所述平移向量,确定所述第二位姿信息。
4.根据权利要求3所述的外参标定方法,其特征在于,所述获取所述点云平面在第二传感器的坐标系与世界坐标系之间的旋转矩阵和平移向量,包括:
获取所述点云平面在所述第二传感器的坐标系下的第二正交基;
基于所述第二正交基和所述世界坐标系的世界正交基,确定所述旋转矩阵;
获取所述点云平面与所述世界坐标系的平面距离;
基于所述平面距离,确定所述平移向量。
5.根据权利要求3所述的外参标定方法,其特征在于,所述基于所述旋转矩阵和所述平移向量,确定所述第二位姿信息,包括:
对所述旋转矩阵和所述平移向量进行奇异值分解,校正所述旋转矩阵和所述平移向量;
基于校正后的所述旋转矩阵和所述平移向量,确定所述第二位姿信息。
6.一种机器人,其特征在于,包括:
第一传感器和第二传感器:
控制器,所述控制器基于权利要求1-5任一项所述的外参标定方法,确定所述第一传感器和所述第二传感器间的外部参数。
7.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述外参标定方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至5任一项所述外参标定方法。
9.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述外参标定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394248.5A CN115100287B (zh) | 2022-04-14 | 2022-04-14 | 外参标定方法及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210394248.5A CN115100287B (zh) | 2022-04-14 | 2022-04-14 | 外参标定方法及机器人 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115100287A CN115100287A (zh) | 2022-09-23 |
CN115100287B true CN115100287B (zh) | 2024-09-03 |
Family
ID=83287645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210394248.5A Active CN115100287B (zh) | 2022-04-14 | 2022-04-14 | 外参标定方法及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100287B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117269939B (zh) * | 2023-10-25 | 2024-03-26 | 北京路凯智行科技有限公司 | 用于传感器的参数标定系统、方法及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965624A (zh) * | 2020-08-06 | 2020-11-20 | 北京百度网讯科技有限公司 | 激光雷达与相机的标定方法、装置、设备和可读存储介质 |
CN113269840A (zh) * | 2021-05-27 | 2021-08-17 | 深圳一清创新科技有限公司 | 一种用于相机和多激光雷达的联合标定方法及电子设备 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2559157A (en) * | 2017-01-27 | 2018-08-01 | Ucl Business Plc | Apparatus, method and system for alignment of 3D datasets |
CN110221275B (zh) * | 2019-05-21 | 2023-06-23 | 菜鸟智能物流控股有限公司 | 一种激光雷达与相机之间的标定方法和装置 |
CN110188696B (zh) * | 2019-05-31 | 2023-04-18 | 华南理工大学 | 一种水面无人装备多源感知方法及系统 |
CN116577760A (zh) * | 2019-08-21 | 2023-08-11 | 深圳市速腾聚创科技有限公司 | 一种外参标定装置 |
CN110689577B (zh) * | 2019-09-30 | 2022-04-01 | 深圳市瑞立视多媒体科技有限公司 | 单相机环境中主动式刚体的位姿定位方法及相关设备 |
CN112907676B (zh) * | 2019-11-19 | 2022-05-10 | 浙江商汤科技开发有限公司 | 传感器的标定方法、装置、系统、车辆、设备及存储介质 |
CN111612845A (zh) * | 2020-04-13 | 2020-09-01 | 江苏大学 | 一种基于移动标定板的激光雷达与相机联合标定方法 |
CN113870343B (zh) * | 2020-06-30 | 2024-05-28 | 长沙智能驾驶研究院有限公司 | 相对位姿标定方法、装置、计算机设备和存储介质 |
CN112446927B (zh) * | 2020-12-18 | 2024-08-30 | 广东电网有限责任公司 | 激光雷达和相机的联合标定方法、装置、设备及存储介质 |
-
2022
- 2022-04-14 CN CN202210394248.5A patent/CN115100287B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965624A (zh) * | 2020-08-06 | 2020-11-20 | 北京百度网讯科技有限公司 | 激光雷达与相机的标定方法、装置、设备和可读存储介质 |
CN113269840A (zh) * | 2021-05-27 | 2021-08-17 | 深圳一清创新科技有限公司 | 一种用于相机和多激光雷达的联合标定方法及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115100287A (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110893617B (zh) | 障碍物检测方法、装置及存储装置 | |
CN112907676B (zh) | 传感器的标定方法、装置、系统、车辆、设备及存储介质 | |
CN112258590B (zh) | 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 | |
CN110470333B (zh) | 传感器参数的标定方法及装置、存储介质和电子装置 | |
CN111123242B (zh) | 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质 | |
CN109961468A (zh) | 基于双目视觉的体积测量方法、装置及存储介质 | |
Huang et al. | A novel multi-planar LIDAR and computer vision calibration procedure using 2D patterns for automated navigation | |
CN110501036A (zh) | 传感器参数的标定检查方法及装置 | |
Yan et al. | Joint camera intrinsic and lidar-camera extrinsic calibration | |
Chai et al. | A novel method for lidar camera calibration by plane fitting | |
CN103065323A (zh) | 一种基于单应性变换矩阵的分段空间对准方法 | |
CN110702028B (zh) | 一种果园树干三维检测定位方法及装置 | |
CN113156407B (zh) | 车载激光雷达外参数联合标定方法、系统、介质及设备 | |
CN110827361A (zh) | 基于全局标定架的相机组标定方法及装置 | |
CN115359130B (zh) | 雷达和相机的联合标定方法、装置、电子设备及存储介质 | |
CN115097421A (zh) | 一种相机-激光雷达外参标定装置及方法 | |
CN115100287B (zh) | 外参标定方法及机器人 | |
CN118196324A (zh) | 一种点云过滤融合建图方法、装置及计算机存储介质 | |
Higuchi et al. | 3D measurement of large structure by multiple cameras and a ring laser | |
CN113406604A (zh) | 一种激光雷达和摄像机位置标定的装置和方法 | |
Cui et al. | ACLC: Automatic Calibration for non-repetitive scanning LiDAR-Camera system based on point cloud noise optimization | |
CN115546216B (zh) | 一种托盘检测方法、装置、设备及存储介质 | |
Gao et al. | Altitude information acquisition of uav based on monocular vision and mems | |
Li et al. | Mobile robot map building based on laser ranging and kinect | |
CN111736137B (zh) | LiDAR外部参数标定方法、系统、计算机设备及可读存储介质 |
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 |