CN115457152A - 外参标定方法、装置、电子设备及存储介质 - Google Patents
外参标定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115457152A CN115457152A CN202211294108.7A CN202211294108A CN115457152A CN 115457152 A CN115457152 A CN 115457152A CN 202211294108 A CN202211294108 A CN 202211294108A CN 115457152 A CN115457152 A CN 115457152A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- data
- cloud data
- radar
- map
- 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
Images
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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种外参标定方法、装置、电子设备及存储介质。该方法包括:获取车辆的惯性测量单元数据和雷达点云数据;基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据;对所述点云补偿数据进行过滤处理,得到平面点云数据;基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图;根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。通过上述技术方案,降低了外参标定误差,并且该外参标定方法不依赖特定环境,鲁棒性高。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种外参标定方法、装置、电子设备及存储介质。
背景技术
目前,外参标定算法当前已经大量应用于移动机器人、空中飞行器、智能驾驶等领域,主要为了解决传感器与外部某个局部坐标系的欧式几何转换关系,有力解决多传感器融合地坐标转换问题。
常见的外参标定算法主要利用IMU做预积分,进而将获得多个激光雷达点转换到世界坐标系下,采用非线性最小二乘法计算每个激光雷达点到校准目标地图的重投影误差,迭代优化至外参收敛。
在实现本发明的过程中,发明人发现现有技术中至少存在以下技术问题:现有技术方案,通过获取IMU做预积分,本身就存在很大误差,造成外参标定误差较大,并且要求有足够多的强约束环境关系,鲁棒性较低。
发明内容
本发明提供了一种外参标定方法、装置、电子设备及存储介质,以降低外参标定误差,提升外参标定的鲁棒性。
根据本发明的一方面,提供了一种外参标定方法,包括:
获取车辆的惯性测量单元数据和雷达点云数据;
基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据;
对所述点云补偿数据进行过滤处理,得到平面点云数据;
基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图;
根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
根据本发明的另一方面,提供了一种外参标定装置,包括:
数据获取模块,用于获取车辆的惯性测量单元数据和雷达点云数据;
补偿数据确定模块,用于基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据;
数据过滤模块,用于对所述点云补偿数据进行过滤处理,得到平面点云数据;
点云地图构建模块,用于基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图;
外参优化模块,用于根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
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计算机程序,所述计算机程序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发明任一实施例所述的外参标定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的外参标定方法。
本发明实施例的技术方案,通过车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据,实现了对雷达点云数据的运动补偿,去除畸变;进一步的,对点云补偿数据进行过滤处理,得到了更为可靠和准确的平面点云数据,提升了数据可靠性;进而基于更为可靠和准确的平面点云数据进行正态分布匹配建图,得到准确的目标点云地图;根据准确的目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,该外参标定方法降低了外参标定误差,并且该外参标定方法不依赖特定环境,鲁棒性高。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例一提供的一种外参标定方法的流程图;
图2是根据本发明实施例二提供的一种外参标定方法的流程图;
图3是根据本发明实施例三提供的一种外参标定方法的流程图;
图4是根据本发明实施例三提供的一种滑动窗口机制的示意图;
图5是根据本发明实施例四提供的一种外参标定装置的结构示意图;
图6是实现本发明实施例的外参标定方法的电子设备的结构示意图。
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。
实施例一
图1为本发明实施例一提供的一种外参标定方法的流程图,本实施例可适用于雷达坐标系到IMU坐标系的外参标定的情况,该方法可以由外参标定装置来执行,该外参标定装置可以采用硬件和/或软件的形式实现,该外参标定装置可配置于计算机终端中。如图1所示,该方法包括:
S110、获取车辆的惯性测量单元数据和雷达点云数据。
本实施例中,车辆的惯性测量单元数据是指车辆在行驶过程中通过惯性测量单元(Inertial Measurement Unit,IMU)采集的数据。雷达点云数据是指由多个雷达点的点云数据构成的数据集合。具体的,通过设置在车辆上的激光雷达获取雷达点云数据。雷达点云数据可以包括一帧或多帧点云数据,雷达点云数据中每个雷达点或者每帧点云数据具有对应的时间戳。
S120、基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据。
本实施例中,点云补偿数据是指去除雷达点运动偏移的点云数据。
具体的,对惯性测量单元数据进行校准,得到校准运动姿态数据;解析校准运动姿态数据,得到位姿变换队列;根据雷达点云数据中各雷达点的时间戳,在位姿变换队列中进行线性插值,得到位姿变换矩阵;基于位姿变换矩阵和雷达点云数据确定点云补偿数据。
其中,校准运动姿态数据可以包括平移部分和旋转部分,具体而言,可以通过轮速计获取校准运动姿态数据的平移部分,通过惯性测量单元(Inertial Measurement Unit,IMU)获取IMU数据,通过全球导航卫星系统(Global Navigation Satellite System,GNSS)获取GNSS数据,通过实时动态(Real Time Kinematic,RTK)测量设备获取RTK数据;进一步的,通过GNSS数据和RTK数据对IMU数据进行校准,可以降低数据的累积误差,从而得到更加准确的校准运动姿态数据的旋转部分,提高校准运动姿态数据整体的准确度。位姿变换队列可以包含多个时刻车辆的运动姿态数据。位姿变换矩阵是指雷达点相对于初始帧时刻的位姿变化矩阵。需要说明的是,通过线性插值得到的位姿变换矩阵对雷达点云数据进行转化,可以去除运动带来的雷达点的运动偏移的影响。
在一些可选实施例中,基于位姿变换矩阵和雷达点云数据确定点云补偿数据,包括:基于位姿变换矩阵,将雷达点云数据从当前雷达点的雷达坐标系转化到初始帧时刻雷达坐标下,得到点云补偿数据。
S130、对所述点云补偿数据进行过滤处理,得到平面点云数据。
需要说明的是,点云补偿数据包括但不限于平面点云数据和其他点数据,其中,平面点云数据可以是激光雷达扫描路面形成的点云数据,其他点数据可以包括建筑物、树木等非路面的点云数据。平面点云数据为有效信息,其他点数据为干扰信息需要剔除掉,以提高数据的可靠性。
具体的,可以对点云补偿数据进行点云剔除、点云分割等过滤处理,得到平面点云数据。
S140、基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图。
本实施例中,正态分布匹配建图是指通过正态分布点云算法(NormalDistribution Transform,NDT)对平面点云数据进行匹配建图。其中,目标点云地图是指通过正态分布匹配建图得到的地图,与雷达点云数据相比,目标点云地图中的点云数据更加准确和可靠。
S150、根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
在得到目标点云地图之后,可以对目标点云地图中的点云数据进行非线性迭代优化,直到外参收敛,得到目标外参,目标外参是指雷达坐标系到IMU坐标系的变换矩阵。具体的,可以采用非线性优化库求取目标外参,非线性优化库可以包括但不限于ceres非线性优化库、NLOPT非线性优化库等。
本发明实施例的技术方案,通过车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据,实现了对雷达点云数据的运动补偿,去除畸变;进一步的,对点云补偿数据进行过滤处理,得到了更为可靠和准确的平面点云数据,提升了数据可靠性;进而基于更为可靠和准确的平面点云数据进行正态分布匹配建图,得到准确的目标点云地图;根据准确的目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,该外参标定方法降低了外参标定误差,并且该外参标定方法不依赖特定环境,鲁棒性高。
实施例二
图2为本发明实施例二提供的一种外参标定方法的流程图,本实施例的方法与上述实施例中提供的外参标定方法中各个可选方案可以结合。本实施例提供的外参标定方法进行了进一步优化。可选的,所述对所述点云补偿数据进行过滤处理,得到平面点云数据,包括:对所述点云补偿数据进行深度图投影,得到投影平面展开数据;对所述投影平面展开数据进行特征点提取,得到平面点云数据。
如图2所示,该方法包括:
S210、获取车辆的惯性测量单元数据和雷达点云数据。
S220、基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据。
S230、对所述点云补偿数据进行深度图投影,得到投影平面展开数据。
S240、对所述投影平面展开数据进行特征点提取,得到平面点云数据。
S250、基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图。
S270、根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
本实施例中,投影平面展开数据是指经深度图投影并展开的深度图像数据,为二维平面数据。
示例性的,对于点云补偿数据中的任一帧点云数据,可以对任一帧点云数据进行深度图投影。具体而言,将点云补偿数据中近似球形的点云数据投影到圆柱体,再进行平面展开,可以得到投影平面展开数据。
在一些可选实施例中,对投影平面展开数据进行特征点提取,得到平面点云数据,包括:确定投影平面展开数据中每一个雷达点的曲率;若雷达点的曲率满足特征筛选条件,则确定雷达点对应的点云补偿数据为平面点云数据。
其中,特征筛选条件可以为小于预设曲率阈值,或者曲率排名小于预设曲率排名等。
示例性的,曲率可以为当前雷达点与最近邻点深度值之差的累加和的平方。选取曲率最小的前4个雷达点作为平面点(surfPointsFlat),曲率最大的为前20个点作为角点,并且选择过的雷达点的预设范围内的点不再选择,避免特征分布重复。可以将其他未处理过的雷达点确定为轻微平面点(surfPointsLessFlat),最后对轻微平面点进行降采样,实现点云稀疏化。换而言之,平面点云数据可以包括平面点(surfPointsFlat)和轻微平面点(surfPointsLessFlat)。
在一些可选实施例中,还可以删除投影平面展开数据中的无效点云,从而提高数据的可靠性。
本发明实施例的技术方案,通过对点云补偿数据进行深度图投影,得到投影平面展开数据,对投影平面展开数据进行特征点提取,得到平面点云数据,实现了数据的过滤筛选,提高了数据的可靠性。
实施例三
图3为本发明实施例三提供的一种外参标定方法的流程图,本实施例的方法与上述实施例中提供的外参标定方法中各个可选方案可以结合。本实施例提供的外参标定方法进行了进一步优化。可选的,所述基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图,包括:基于正态分布配准算法,对所述平面点云数据进行scan-map匹配,得到优化位姿变换矩阵;基于所述优化位姿变换矩阵,将所述平面点云数据转化为以初始起点为参考的雷达坐标系下的点云数据,并将所述以初始起点为参考的雷达坐标系下的点云数据增加至当前点云地图,得到目标点云地图。
如图3所示,该方法包括:
S310、获取车辆的惯性测量单元数据和雷达点云数据。
S320、基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据。
S330、对所述点云补偿数据进行过滤处理,得到平面点云数据。
S340、基于正态分布配准算法,对所述平面点云数据进行scan-map匹配,得到优化位姿变换矩阵。
其中,正态分布配准算法是指正态分布点云算法(Normal DistributionTransform,NDT)。
需要说明的是,通过scan-scan匹配,可以得到更加准确的优化位姿变换矩阵,进而得到更加准确的以初始起点为参考的雷达坐标系下的点云数据。
在一些可选实施例中,对平面点云数据进行scan-map匹配,得到优化位姿变换矩阵,包括:通过滑动窗口机制,在平面点云数据中获取当前帧之前预设帧数构成的点云数据;将当前帧之前预设帧数构成的点云数据进行scan-map匹配,得到优化位姿变换矩阵。
可以理解的是,通过滑动窗口机制可以减少进行scan-map匹配的数据量,从而节省匹配时间,提高优化效率。
示例性的,如图4所示,预设帧数可以为50帧,即将平面点云数据中当前帧之前50帧构成的点云数据进行scan-map匹配,可以有效节省时间。
S350、基于所述优化位姿变换矩阵,将所述平面点云数据转化为以初始起点为参考的雷达坐标系下的点云数据,并将所述以初始起点为参考的雷达坐标系下的点云数据增加至当前点云地图,得到目标点云地图。
S360、根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
在一些可选实施例中,根据点云地图中的点云数据进行非线性迭代优化,得到目标外参,包括:在有初始外参的情况下,基于初始外参,对点云地图中的点云数据进行局部迭代优化,得到目标外参;在无初始外参的情况下,对点云地图中的点云数据进行全局迭代优化,得到旋转部分参数,将旋转部分参数代入局部迭代优化模型,得到目标外参。
其中,局部迭代优化模型是指局部迭代优化算法模型,可以用于进行局部迭代优化。
示例性的,在无初始外参的情况下,通过NLOPT非线性优化库对地面点云数据进行全局迭代优化,得到旋转部分参数,进而将旋转部分参数代入局部迭代优化模型,局部迭代优化模型输出预测外参,将预测外参代入误差计算函数,在误差计算函数满足收敛条件的情况下,停止迭代,输出目标外参。在有初始外参的情况下,可以基于初始外参,直接对点云地图中的点云数据进行局部迭代优化,将局部迭代优化结果代入误差计算函数,在误差计算函数满足收敛条件的情况下,停止迭代,输出目标外参。
本发明实施例的技术方案,基于正态分布配准算法,对平面点云数据进行scan-map匹配,得到优化位姿变换矩阵,进而根据优化位姿变换矩阵,将平面点云数据转化为以初始起点为参考的雷达坐标系下的点云数据,并将以初始起点为参考的雷达坐标系下的点云数据增加至当前点云地图,得到目标点云地图,提高了目标点云地图中点云数据的可靠性和准确度。
实施例四
图5为本发明实施例四提供的一种外参标定装置的结构示意图。如图5所示,该装置包括:
数据获取模块410,用于获取车辆的惯性测量单元数据和雷达点云数据;
补偿数据确定模块420,用于基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据;
数据过滤模块430,用于对所述点云补偿数据进行过滤处理,得到平面点云数据;
点云地图构建模块440,用于基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图;
外参优化模块450,用于根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
本发明实施例的技术方案,通过车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据,实现了对雷达点云数据的运动补偿,去除畸变;进一步的,对点云补偿数据进行过滤处理,得到了更为可靠和准确的平面点云数据,提升了数据可靠性;进而基于更为可靠和准确的平面点云数据进行正态分布匹配建图,得到准确的目标点云地图;根据准确的目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,该外参标定方法降低了外参标定误差,并且该外参标定方法不依赖特定环境,鲁棒性高。
在一些可选的实施方式中,补偿数据确定模块420,具体用于:
对所述惯性测量单元数据进行校准,得到校准运动姿态数据;
解析所述校准运动姿态数据,得到位姿变换队列;
根据所述雷达点云数据中各雷达点的时间戳,在所述位姿变换队列中进行线性插值,得到位姿变换矩阵;
基于所述位姿变换矩阵和所述雷达点云数据确定点云补偿数据。
在一些可选的实施方式中,数据过滤模块430,包括:
数据投影单元,用于对所述点云补偿数据进行深度图投影,得到投影平面展开数据;
特征点提取单元,用于对所述投影平面展开数据进行特征点提取,得到平面点云数据。
在一些可选的实施方式中,特征点提取单元,具体用于:
确定所述投影平面展开数据中每一个雷达点的曲率;
若所述雷达点的曲率满足特征筛选条件,则确定所述雷达点对应的点云补偿数据为平面点云数据。
在一些可选的实施方式中,点云地图构建模块440,包括:
位姿变化计算单元,用于基于正态分布配准算法,对所述平面点云数据进行scan-map匹配,得到优化位姿变换矩阵;
点云地图生成单元,用于基于所述优化位姿变换矩阵,将所述平面点云数据转化为以初始起点为参考的雷达坐标系下的点云数据,并将所述以初始起点为参考的雷达坐标系下的点云数据增加至当前点云地图,得到目标点云地图。
在一些可选的实施方式中,位姿变化计算单元,具体用于:
通过滑动窗口机制,在所述平面点云数据中获取当前帧之前预设帧数构成的点云数据;
将所述当前帧之前预设帧数构成的点云数据进行scan-map匹配,得到优化位姿变换矩阵。
在一些可选的实施方式中,外参优化模块450,具体用于:
在有初始外参的情况下,基于所述初始外参,对所述点云地图中的点云数据进行局部迭代优化,得到目标外参;
在无初始外参的情况下,对所述点云地图中的点云数据进行全局迭代优化,得到旋转部分参数,将所述旋转部分参数代入局部迭代优化模型,得到目标外参。
本发明实施例所提供的外参标定装置可执行本发明任意实施例所提供的外参标定方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图6所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如外参标定方法,该方法包括:
获取车辆的惯性测量单元数据和雷达点云数据;
基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据;
对所述点云补偿数据进行过滤处理,得到平面点云数据;
基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图;
根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
在一些实施例中,外参标定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的外参标定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行外参标定方法。
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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(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电子设备。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:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算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服务中,存在的管理难度大,业务扩展性弱的缺陷。
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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种外参标定方法,其特征在于,包括:
获取车辆的惯性测量单元数据和雷达点云数据;
基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据;
对所述点云补偿数据进行过滤处理,得到平面点云数据;
基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图;
根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
2.根据权利要求1所述的方法,其特征在于,所述基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据,包括:
对所述惯性测量单元数据进行校准,得到校准运动姿态数据;
解析所述校准运动姿态数据,得到位姿变换队列;
根据所述雷达点云数据中各雷达点的时间戳,在所述位姿变换队列中进行线性插值,得到位姿变换矩阵;
基于所述位姿变换矩阵和所述雷达点云数据确定点云补偿数据。
3.根据权利要求1所述的方法,其特征在于,所述对所述点云补偿数据进行过滤处理,得到平面点云数据,包括:
对所述点云补偿数据进行深度图投影,得到投影平面展开数据;
对所述投影平面展开数据进行特征点提取,得到平面点云数据。
4.根据权利要求3所述的方法,其特征在于,所述对所述投影平面展开数据进行特征点提取,得到平面点云数据,包括:
确定所述投影平面展开数据中每一个雷达点的曲率;
若所述雷达点的曲率满足特征筛选条件,则确定所述雷达点对应的点云补偿数据为平面点云数据。
5.根据权利要求1所述的方法,其特征在于,所述基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图,包括:
基于正态分布配准算法,对所述平面点云数据进行scan-map匹配,得到优化位姿变换矩阵;
基于所述优化位姿变换矩阵,将所述平面点云数据转化为以初始起点为参考的雷达坐标系下的点云数据,并将所述以初始起点为参考的雷达坐标系下的点云数据增加至当前点云地图,得到目标点云地图。
6.根据权利要求5所述的方法,其特征在于,所述对所述平面点云数据进行scan-map匹配,得到优化位姿变换矩阵,包括:
通过滑动窗口机制,在所述平面点云数据中获取当前帧之前预设帧数构成的点云数据;
将所述当前帧之前预设帧数构成的点云数据进行scan-map匹配,得到优化位姿变换矩阵。
7.根据权利要求1所述的方法,其特征在于,所述根据所述点云地图中的点云数据进行非线性迭代优化,得到目标外参,包括:
在有初始外参的情况下,基于所述初始外参,对所述点云地图中的点云数据进行局部迭代优化,得到目标外参;
在无初始外参的情况下,对所述点云地图中的点云数据进行全局迭代优化,得到旋转部分参数,将所述旋转部分参数代入局部迭代优化模型,得到目标外参。
8.一种外参标定装置,其特征在于,包括:
数据获取模块,用于获取车辆的惯性测量单元数据和雷达点云数据;
补偿数据确定模块,用于基于所述车辆的惯性测量单元数据和雷达点云数据确定点云补偿数据;
数据过滤模块,用于对所述点云补偿数据进行过滤处理,得到平面点云数据;
点云地图构建模块,用于基于所述平面点云数据进行正态分布匹配建图,得到目标点云地图;
外参优化模块,用于根据所述目标点云地图中的点云数据进行非线性迭代优化,得到目标外参,其中,所述目标外参为雷达坐标系到IMU坐标系的变换矩阵。
9.一种电子设备,其特征在于,所述电子设备包括:
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计算机程序,所述计算机程序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1-7中任一项所述的外参标定方法。
10.一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存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的外参标定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294108.7A CN115457152A (zh) | 2022-10-21 | 2022-10-21 | 外参标定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211294108.7A CN115457152A (zh) | 2022-10-21 | 2022-10-21 | 外参标定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115457152A true CN115457152A (zh) | 2022-12-09 |
Family
ID=84310635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211294108.7A Pending CN115457152A (zh) | 2022-10-21 | 2022-10-21 | 外参标定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115457152A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117036511A (zh) * | 2023-10-08 | 2023-11-10 | 之江实验室 | 多类型传感器的标定方法、装置、计算机设备和存储介质 |
-
2022
- 2022-10-21 CN CN202211294108.7A patent/CN115457152A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117036511A (zh) * | 2023-10-08 | 2023-11-10 | 之江实验室 | 多类型传感器的标定方法、装置、计算机设备和存储介质 |
CN117036511B (zh) * | 2023-10-08 | 2024-03-26 | 之江实验室 | 多类型传感器的标定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112966587B (zh) | 目标检测模型的训练方法、目标检测方法及相关设备 | |
CN115457152A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
CN116559928B (zh) | 激光雷达的位姿信息确定方法、装置、设备及存储介质 | |
CN115656989A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
CN114677655A (zh) | 多传感器目标检测方法、装置、电子设备以及存储介质 | |
CN114299242A (zh) | 高精地图中图像处理方法、装置、设备以及存储介质 | |
CN117392241B (zh) | 自动驾驶中的传感器标定方法、装置及电子设备 | |
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 | |
CN113436233A (zh) | 自动驾驶车辆的配准方法、装置、电子设备和车辆 | |
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 | |
CN117232499A (zh) | 多传感器融合的点云地图构建方法、装置、设备及介质 | |
CN116596750A (zh) | 一种点云处理方法、装置、电子设备及存储介质 | |
CN113920273B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN115147561A (zh) | 位姿图生成方法、高精地图生成方法和装置 | |
CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN115790621A (zh) | 高精地图更新方法、装置及电子设备 | |
CN115685249A (zh) | 一种障碍物检测方法、装置、电子设备和存储介质 | |
CN115049810A (zh) | 固态激光雷达点云的上色方法、装置、设备及存储介质 | |
CN115131315A (zh) | 一种图像的变化检测方法、装置、设备及存储介质 | |
CN117739993B (zh) | 一种机器人定位方法、装置、机器人及存储介质 | |
CN116559927B (zh) | 激光雷达的航向角确定方法、装置、设备及介质 | |
CN114926549B (zh) | 三维点云处理方法、装置、设备以及存储介质 | |
CN114694138B (zh) | 一种应用于智能驾驶的路面检测方法、装置及设备 | |
CN114926549A (zh) | 三维点云处理方法、装置、设备以及存储介质 | |
CN114170282A (zh) | 点云融合方法、装置、电子设备和介质 |
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 |