CN115542301B - 激光雷达外部参数的校准方法、装置、设备及存储介质 - Google Patents
激光雷达外部参数的校准方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115542301B CN115542301B CN202211482371.9A CN202211482371A CN115542301B CN 115542301 B CN115542301 B CN 115542301B CN 202211482371 A CN202211482371 A CN 202211482371A CN 115542301 B CN115542301 B CN 115542301B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- model
- cloud data
- ideal
- laser radar
- 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
Images
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Abstract
本申请涉及一种激光雷达外部参数的校准方法、装置、设备及存储介质,其中方法包括:获取理想路况下激光雷达的原始点云数据,并对其进行预处理得到真实点云数据;创建理想路况下的虚拟模型;创建真实点云的地平面模型和真实点云的路缘直线模型;基于理想地面虚拟模型、真实点云的地平面模型、理想车体坐标系虚拟模型以及真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,再对理想路况下激光雷达外参进行校准;获取复杂路况下激光雷达的目标点云数据,创建复杂路况的地平面模型,计算目标校准参数,并对复杂路况下激光雷达外参进行校准。本发明实现激光雷达外部参数的自动校准,提高了激光雷达外部参数的校准精度。
Description
技术领域
本申请涉及自动驾驶技术领域,尤其涉及一种激光雷达外部参数的校准方法、装置、设备及存储介质。
背景技术
激光雷达Lidar是自动驾驶车辆实现自动驾驶的重要的传感器之一。激光雷达可以感知周围环境的三维信息,激光雷达有其自身的坐标系,自动驾驶车辆的控制器处理激光雷达传输来的数据,需要将其坐标转化到车体坐标系下,这一过程即为激光雷达的外部参数校准。
目前,常用的激光雷达的外参校准,通常需要依赖标定工具,或者需要多个传感器同时标定,标定的流程较为复杂,且对于标定过程中测量的精度要求较高。此外,有些车辆行驶过程中标定的理念,其需要深度学习的算法来判断路况是否符合标定要求,占用控制器的算力,在校准精度上是完全不够的。激光雷达的点云数据的精度在厘米级别,如果不能够精准的校准,将大大降低其在环境感知、定位等功能中的检测定位效果。现亟需一种能够提高激光雷达外部参数校准精度的方法。
发明内容
本申请实施例的目的在于提出一种激光雷达外部参数的校准方法、装置、设备及存储介质,以激光雷达外部参数的校准精度。
为了解决上述技术问题,本申请实施例提供一种激光雷达外部参数的校准方法,包括:
获取理想路况下激光雷达的原始点云数据,并对所述原始点云数据进行预处理,得到真实点云数据;
创建理想路况下的虚拟模型,其中,所述虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型;
基于所述真实点云数据,创建真实点云的地平面模型,以及基于所述真实点云数据,创建真实点云的路缘直线模型;
基于所述理想地面虚拟模型、所述真实点云的地平面模型、所述理想车体坐标系虚拟模型以及所述真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于所述校准参数对所述理想路况下激光雷达外参进行校准;
获取复杂路况下激光雷达的目标点云数据,并根据所述目标点云数据,创建复杂路况的地平面模型;
根据所述理想地面虚拟模型与所述复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数,并基于所述目标校准参数对所述复杂路况下激光雷达外参进行校准。
为了解决上述技术问题,本申请实施例提供一种激光雷达外部参数的校准装置,包括:
真实点云数据获取模块,用于获取理想路况下激光雷达的原始点云数据,并对所述原始点云数据进行预处理,得到真实点云数据;
虚拟模型创建模块,用于创建理想路况下的虚拟模型,其中,所述虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型;
真实模型创建模块,用于基于所述真实点云数据,创建真实点云的地平面模型,以及基于所述真实点云数据,创建真实点云的路缘直线模型;
理想路况外参校准模块,用于基于所述理想地面虚拟模型、所述真实点云的地平面模型、所述理想车体坐标系虚拟模型以及所述真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于所述校准参数对所述理想路况下激光雷达外参进行校准;
复杂路况模型创建模块,用于获取复杂路况下激光雷达的目标点云数据,并根据所述目标点云数据,创建复杂路况的地平面模型;
复杂路况外参校准模块,用于根据所述理想地面虚拟模型与所述复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数,并基于所述目标校准参数对所述复杂路况下激光雷达外参进行校准。
为解决上述技术问题,本发明采用的一个技术方案是:提供一种计算机设备,包括,一个或多个处理器;存储器,用于存储一个或多个程序,使得一个或多个处理器实现上述任意一项所述的激光雷达外部参数的校准方法。
为解决上述技术问题,本发明采用的一个技术方案是: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计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的激光雷达外部参数的校准方法。
本发明实施例提供了一种激光雷达外部参数的校准方法、装置、设备及存储介质。其中,方法包括:获取理想路况下激光雷达的原始点云数据,并对原始点云数据进行预处理,得到真实点云数据;创建理想路况下的虚拟模型,其中,虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型;基于真实点云数据,创建真实点云的地平面模型,以及基于真实点云数据,创建真实点云的路缘直线模型;基于理想地面虚拟模型、真实点云的地平面模型、理想车体坐标系虚拟模型以及真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于校准参数对理想路况下激光雷达外参进行校准;获取复杂路况下激光雷达的目标点云数据,并根据目标点云数据,创建复杂路况的地平面模型;根据理想地面虚拟模型与复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数,并基于目标校准参数对复杂路况下激光雷达外参进行校准。本发明实施例创建虚拟模型以及创建理想路况下的地平面模型和路缘直线模型,能够将虚拟模型与理想路况下的模型进行对比,从而对理想路况下激光雷达外参进行校准,同时还能创建复杂路况下的地平面模型,以结合虚拟模型,对复杂路况下激光雷达外参进行校准,实现激光雷达外部参数的自动校准,并且实现了无需对图像空间或者车辆坐标系空间目标进行直接测量,避免了在车辆坐标系空间或者图像空间的数据测量时所带来的额外参数误差,从而有利于提高激光雷达外部参数的校准精度。
附图说明
为了更清楚地说明本申请中的方案,下面将对本申请实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本申请的一些实施例,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是本申请实施例提供的激光雷达外部参数的校准方法流程的一实现流程图;
图2是本申请实施例提供的激光雷达外部参数的校准方法中子流程的一实现流程图;
图3是本申请实施例提供的激光雷达外部参数的校准方法中子流程的又一实现流程图;
图4是本申请实施例提供的激光雷达外部参数的校准方法中子流程的又一实现流程图;
图5是本申请实施例提供的激光雷达外部参数的校准方法中子流程的又一实现流程图;
图6是本申请实施例提供的激光雷达外部参数的校准方法中子流程的又一实现流程图;
图7是本申请实施例提供的激光雷达外部参数的校准装置示意图;
图8是本申请实施例提供的计算机设备的示意图。
具体实施方式
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同;本文中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请;本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
为了使本技术领域的人员更好地理解本申请方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
下面结合附图和实施方式对本发明进行详细说明。
需要说明的是,本申请实施例所提供的激光雷达外部参数的校准方法一般由服务器执行,相应地,激光雷达外部参数的校准装置一般配置于服务器中。
请参阅图1,图1示出了激光雷达外部参数的校准方法的一种具体实施方式。
需注意的是,若有实质上相同的结果,本发明的方法并不以图1所示的流程顺序为限,该方法包括如下步骤:
S1:获取理想路况下激光雷达的原始点云数据,并对原始点云数据进行预处理,得到真实点云数据。
具体地,点云是指获取物体表面每个采样点的空间坐标后,得到的是一个点的集合。理想路况是指地面平整,无坑洼,长度超过预设长度(例如10米),宽度超过预设宽度(例如为5米),道路边有平直的路沿(或放置一段厚度5~20厘米的长直木板模拟路沿)。例如,路线路况为选择一段超过15米长,超过6米宽的水平道路,将自动驾驶车辆停放于水平地面,车身与路沿保持平行,车上无乘客或货物负重。在本实施例中,将激光雷达Lidar固定安装在自动驾驶车上,启动激光雷达,通过激光雷达的ROS2驱动,得到原始点云数据,并将原始点云数据在ROS2的可视化软件RVIZ上进行显示。
其中,ROS2是指ROS(Robot Operating System)的2.0版本。RVIZ是ROS2的一个可视化工具,用于可视化传感器的数据和状态信息。RVIZ(ros visualization)支持丰富的数据类型,通过加载不同的Dispalys类型来可视化。预处理是指对原始点云数据进行过滤、降采样等操作,以减少原始点云数据的环境干扰。
请参阅图2,图2示出了步骤S1的一种具体实施方式,详叙如下:
S11:获取理想路况下激光雷达的原始点云数据。
S12:将原始点云数据中车辆的预设范围作为感兴趣区域。
S13:从原始点云数据中提取感兴趣区域内的点云数据,得到真实点云数据。
具体地,在获取到理想路况下激光雷达的原始点云数据后,由于原始点云数据量较大,且由于受到干扰,会存在噪声。因此,通过过滤、降采样等操作,以减少环境干扰。在本申请实施例中,由于原始点云数据中,并不是所有的点云数据都同等重要,有些点云数据没有价值,还会增加计算量,并对结果有害。所以原始点云数据中车辆的预设范围作为感兴趣区域,从原始点云数据中提取感兴趣区域内的点云数据,得到真实点云数据。其中,预设范围根据实际情况进行设定,此处不作限定。在一具体实施例中,在原始点云数据中,选择高度高于3-5米且车身四周超过20米的点云数据。本实施例中,通过设置感兴趣区域ROI,提取出感兴趣区域并舍弃掉无价值甚至有害的区域,一方面可以降低数据量提升处理速度,另一方面去除有害区域,有利于获取更准确的结果。
S2:创建理想路况下的虚拟模型,其中,虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型。
具体地,通过ROS2构建虚拟模型,并在RVIZ中显示。在本申请实施例中,使用ROS2自带的visualization_msgs/Marker消息将虚拟模型中的各个组件以不同的形态(如点、线、方块等),不同的颜色发送到RVIZ。具体的创建过程为:在创建过程中首先定义数据类型及变量名,类型为visualization_msgs::Marker以及visualization_msgs::MarkerArray,然后对msg进行填充;其中,header即是std_msgs/Header,一般需要填充数据为时间戳和与数据关联的参考系,设置参考系为map,时间为当前时间。其中,ns为命名空间,用以区分id相同的marker,id则是同一空间下不同marker的身份信息;其中,action对应的操作变量有uint8 ADD=0、uint8 MODIFY=0、uint8 DELETE=2、uint8 DELETEALL=3,即为添加、修改、删除、全部删除,type即是对应marker的类型。最后,创建好可视化程序后,运行命令启动RVIZ即可打开可视化界面。其中,Marker可以显示立方体(CUBE)、箭头(ARROW)、球体(SPHERE)、圆柱体(CYLINDER)、点(POINTS)、文本(TEXT)等。
本实施例中,虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型。在后续激光雷达外部参数自动调节的过程中,点云数据相对于虚拟模型的位置关系也会进行变动。
S3:基于真实点云数据,创建真实点云的地平面模型,以及基于真实点云数据,创建真实点云的路缘直线模型。
具体地,在本实施例中,为了实现对理想路况下的激光雷达外部参数校准,需要先基于真实点云数据,创建真实点云的地平面模型和真实点云的路缘直线模型。
请参阅图3,图3示出了步骤S3的一种具体实施方式,详叙如下:
S31:采用最低点代表法,从真实点云数据中选择竖轴方向的部分种子点集,并基于部分种子点集创建初始地平面模型。
S32:计算真实点云数据中的每一点云数据到初始地平面模型的正交投影距离,得到正交投影距离数据集,其中,正交投影距离数据集包括多个正交投影距离。
S33:从正交投影距离数据集中,获取超过第一预设阈值的正交投影距离,作为目标正交投影距离。
S34:将目标正交投影距离对应的点云数据作为地平面点,并基于地平面点构建真实点云的地平面模型。
具体地,在本实施例中,采用平面模型法(Plane Model)来拟合提取真实点云的地平面模型。采用平面模型法的原因是由于现实地面并不是一个完全完美的平面,可能存在一点噪声,为了更好的进行地面分割提取,避免噪声带来的影响,沿着一个方向将空间分割成若干个子平面,然后对每个子平面进行平面拟合。
具体的创建过程为:首先利用最低点代表(Lowest Point Representative, LPR)法,从点云中选择竖轴值较小的一部分点组成种子点集(Seed Point Set),建立地面的初始地平面模型。LPR法的操作是:对点云内的点沿着竖轴方向排序,计算N个最低高度的点求得高度平均值HLPR,用高度平均值HLPR代表整个点云的最低点,选取高度在高度阈值范围内(高度小于HLPR+Th)的点,由这些点构成种子点集。其中,选取种子点集大小范围根据实际情况进行设定,存储不作限定。高度阈值根据实际情况进行设定,存储不作限定。在建立由种子点集组成的初始地平面模型后,计算真实点云数据中的每一点云数据到初始地平面模型的正交投影距离,得到正交投影距离数据集,其中,正交投影距离数据集包括多个正交投影距离,从正交投影距离数据集中,获取超过第一预设阈值的正交投影距离,作为目标正交投影距离,将目标正交投影距离对应的点云数据作为地平面点,并基于地平面点构建真实点云的地平面模型。进一步地,本申请实施例在经过一次区分是否为地平面点,创建真实点云的地平面模型后,还可以将当前所有区分为地平面点作为当作下一次迭代的种子点集,重新进行计算,以重新区分点云数据是否为地平面点,重新创建真实点云的地平面模型,以此循环迭代优化,最终选择最优的地平面模型作为最终的真实点云的地平面模型。需要说明的是,第一预设阈值根据实际情况进行设定,此处不作限定。
进一步地,采用线性模型对平面模型进行评估,具体的计算过程如下:
将进行变形后得到:;其中,和分别为:;;其中,是平面线性模型公式中的3个常量系数,它的物理意义代表了与平面的法向量相同方向的向量;是一个常数;是矩阵转置符号;(x,y,z)为每一真实点云数据的坐标参数。是由初始点集的协方差矩阵来求解,从而确定一个初始的平面,采用作为初始点集,其中,是所有点的均值,是第i个集合的点的均值,协方差矩阵代表种子点集的散布情况,利用奇异值分解得到3个主要方向的散布情况,由于是平面模型,垂直于平面的法向量表示具有最小方差的方向,通过计算具有最小奇异值的奇异向量求得。在计算出以后,通过将其带入到种子点集的平均值中求得。
请参阅图4,图4示出了步骤S3的另一种具体实施方式,详叙如下:
S35:随机选取真实点云数据中的K个点云数据,并基于K个点云数据进行拟合模型,其中,K为正整数。
S36:计算真实点云数据到拟合模型的距离,得到拟合距离集,其中,拟合距离集中包括多个拟合距离。
S37:从拟合距离集中,获取超过第二预设阈值的拟合距离,作为目标拟合距离,并将目标拟合距离对应的点云数据作为目标内点,且基于目标内点构建真实点云的路缘直线模型。
具体地,本申请实施例中,通过采样一致法提取理想路况下的真实法提取真实的点云路缘直线模型。其具体的过程为:随机选取真实点云数据中的K个点云数据,并基于K个点云数据进行拟合模型;然后计算真实点云数据到拟合模型的距离,得到拟合距离集,然而将拟合距离集中的拟合距离与第二预设阈值进行对比,若是超过第二预设阈值,则将对应的点云数据作为目标内点,统计目标内点的个数,再重复随机采样和拟合模型,并重新计算距离,对点云数据中的点进行判断是否为内点,依次重复多次,最后选择迭代中一表现良好的直线模型作为最终的真实点云的路缘直线模型。
S4:基于理想地面虚拟模型、真实点云的地平面模型、理想车体坐标系虚拟模型以及真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于校准参数对理想路况下激光雷达外参进行校准。
其中,校准参数包括俯仰角度参数Pitch、侧倾角度参数Roll、偏航角度参数Yaw以及平移量。Yaw、Pitch、Roll的值分别代表了绕坐标系三个轴的旋转角度,Yaw指绕竖轴,Pitch指绕纵轴,Roll指绕横轴。
请参阅图5,图5示出了步骤S4的一种具体实施方式,详叙如下:
S41:通过预设函数,调取理想地面虚拟模型与真实点云的地平面模型中的平面法向量和竖轴法向量。
S42:将虚拟模型的车辆为原点,并将原点作为视点位置,且根据视点位置,将平面法向量和竖轴法向量调整为相同的法向量方向。
S43:计算平面法向量和竖轴法向量沿纵轴和横轴方向上的夹角,得到俯仰角度参数和侧倾角度参数。
S44:基于俯仰角度参数和侧倾角度参数,对理想路况下激光雷达外参进行沿纵轴和横轴进行旋转校准。
S45:通过预设公式计算真实点云的地平面模型在竖轴的平移量,并基于平移量对理想路况下激光雷达外参沿竖轴进行平移校准。
S46:基于理想车体坐标系虚拟模型与真实点云的路缘直线模型,计算偏航角度参数,并根据偏航角度参数对理想路况下激光雷达外参沿竖轴进行旋转校准。
具体地,通过在PCL中调用相关的函数compute3DCentrord(),computeCovarianceMatrix(),实现调取理想地面虚拟模型与真实点云的地平面模型中的平面法向量和竖轴法向量。由于平面法向量和竖轴法向量的法向量方向具有不确定性,所以需要进行统一。在本申请实施例中,将虚拟模型的车辆为原点,并将原点作为视点位置,且根据视点位置,检测两者的法向量是否一致,若不一致,则不需要调整,不一致的话,则将进行翻转,以使得将平面法向量和竖轴法向量调整为相同的法向量方向。然后计算平面法向量和竖轴法向量沿纵轴和横轴方向上的夹角,得到俯仰角度参数Pitch和侧倾角度参数Roll,将点云数据按照俯仰角度参数Pitch和侧倾角度参数Roll进行旋转后,实现了对理想路况下激光雷达外参进行沿纵轴和横轴进行旋转校准,此时点云的地平面与虚拟平面相平行。
由于理想地面虚拟模型与真实点云的地平面模型在竖轴方向可能存在一定的距离,所以通过预设公式计算真实点云的地平面模型在竖轴的平移量,并基于平移量对理想路况下激光雷达外参沿竖轴进行平移校准。具体的计算过程为:经过旋转后的点云地平面的公式表示为:;与其平行的虚拟地平面的公式表示为:;则两个平面之间的距离计算公式如下:;其中,是代表此平面模型的法向量,和为常数,H为竖轴的平移量。
其中,PCL(Point Cloud Library)是一个开源C++编程库,其实现了大量点云相关的通用算法和高效数据结构,涉及到点云获取、滤波、分割、配准、检索、特征提取、识别、追踪、曲面重建、可视化等。
请参阅图6,图6示出了步骤S46的一种具体实施方式,详叙如下:
S461:分别基于理想车体坐标系虚拟模型与真实点云的路缘直线模型,构建虚拟模型向量和真实路缘向量。
S462:计算虚拟模型向量和真实路缘向量的角度,得到目标角度,并确定目标角度的方向,得到偏航角度参数。
S463:根据偏航角度参数对理想路况下激光雷达外参沿竖轴进行旋转校准。
具体地,经过上述步骤的操作,真实点云的地平面和虚拟地平面平行且竖轴距离为0。但两个平面在绕竖轴旋转的方向上还有夹角,即偏航角Yaw。偏航角Yaw是通过计算理想路况下,真实点云路缘提取的直线模型和虚拟模型坐标系的横轴的夹角计算得到的。具体的过程为:在真实点云的路缘直线模型上任意选择2个点P、Q,得到向量。设理想车体坐标系虚拟模型的横轴的单位向量为。然后计算向量旋转到向量的角度,由以下公式计算角度:。但此刻角度无法确定是逆时针方向,还是顺时针方向的。在本申请实施例中,利用两个向量的叉乘来判断,叉乘的结果为正数,则偏航角度参数Yaw等于,此时目标角度的方向为逆时针,叉乘的结果未负数,则偏航角度参数YAW等于,目标角度的方向为顺时针。最后根据偏航角度参数YAW对理想路况下激光雷达外参沿竖轴进行旋转校准。
进一步地,最后将外部参数结果实时保存在cfg文件中。该文件将被激光雷达的处理算法模块实时读取,将原始点云数据的空间坐标系转化到自动驾驶车辆的坐标系上。
S5:获取复杂路况下激光雷达的目标点云数据,并根据目标点云数据,创建复杂路况的地平面模型。
进一步地,提供步骤S5的一种具体实施方式,详叙如下:
获取复杂路况下激光雷达的目标点云数据;
采用深度学习模型对目标点云数据进行地面提取,以创建复杂路况的地平面模型;
其中,深度学习模型采用开源的点云数据集SematicKITTI以及点云数据集训练后的点云语义分割网络,点云语义分割网络采用极坐标分割点云数据,使用方位角和半径作为点云数据中的点。
具体地,在自动驾驶车辆行驶过程中,激光雷达的外部参数是在实时的轻微变化的。这通常是由于路面不平整导致的车身颠簸,以及车辆负重不同造成的车身倾斜。例如,当车辆经过减速带、有坑洼的路面时,车身会出现倾斜。当车上的乘客的数量变化、后备厢体负重时,车身也会有轻微倾斜。这些情况都会导致激光雷达的外部参数中与车身倾斜相关的2个参数发生变化:即俯仰角度参数Pitch和侧倾角度参数Roll,因此需要修正复杂路况下的外参。
在本实施例中,通过启动激光雷达,并通过激光雷达的ROS2驱动,实时的获取复杂路况下激光雷达的目标点云数据。本申请实施例中,采用深度学习模型,提取复杂路况的地平面模型。其中,采用的深度学习模型是经过开源的点云数据集SematicKITTI以及预先标注的点云数据集训练后的PolarNet(点云语义分割网络)。PolarNet对鸟瞰法(BEV)进行了改进,不采用笛卡尔坐标划分,而采用极坐标分割点云数据,使用方位角和半径表示点云中的点。这种做法相比笛卡尔坐标使得点在网格间分布均匀,远距离的网络也能保留更多的点。
S6:根据理想地面虚拟模型与复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数,并基于目标校准参数对复杂路况下激光雷达外参进行校准。
具体地,在复杂路况下往往是由于路面不平整导致的车身颠簸,以及车辆负重不同造成的车身倾斜,从而需要对激光雷达外参进行校准,此时更多的是调整俯仰角度参数Pitch和侧倾角度参数Roll。除非出现激光雷达出现转动或脱落的情况下,才需要对偏航角度参数YAW进行调整。所以本申请实施例,只需要根据理想地面虚拟模型与复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数。此时的目标校准参数为俯仰角度参数Pitch和侧倾角度参数Roll,其具体的计算过程与步骤S41至步骤S43相同,为避免重复,此处不再赘述。最后基于目标校准参数对复杂路况下激光雷达外参进行校准。
本实施例中,获取理想路况下激光雷达的原始点云数据,并对原始点云数据进行预处理,得到真实点云数据;创建理想路况下的虚拟模型,其中,虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型;基于真实点云数据,创建真实点云的地平面模型,以及基于真实点云数据,创建真实点云的路缘直线模型;基于理想地面虚拟模型、真实点云的地平面模型、理想车体坐标系虚拟模型以及真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于校准参数对理想路况下激光雷达外参进行校准;获取复杂路况下激光雷达的目标点云数据,并根据目标点云数据,创建复杂路况的地平面模型;根据理想地面虚拟模型与复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数,并基于目标校准参数对复杂路况下激光雷达外参进行校准。
本发明实施例创建虚拟模型以及创建理想路况下的地平面模型和路缘直线模型,能够将虚拟模型与理想路况下的模型进行对比,从而对理想路况下激光雷达外参进行校准,同时还能创建复杂路况下的地平面模型,以结合虚拟模型,对复杂路况下激光雷达外参进行校准,实现激光雷达外部参数的自动校准,并且实现了无需对图像空间或者车辆坐标系空间目标进行直接测量,避免了在车辆坐标系空间或者图像空间的数据测量时所带来的额外参数误差,从而有利于提高激光雷达外部参数的校准精度。并且在理想路况下,基于ROS2构建理想的虚拟模型,并与激光雷达Lidar采集的真实点云算法提取的模型作比较,自动完成激光雷达Lidar的外部参数精准校准,使得校准的结果更精准,流程更简洁,大大缩短了流程和时间;此外,还能在复杂路况下实时的调节外部参数,使得外部参数更准确。另外,本发明不需要依赖其他额外传感器(如摄像头)或者其他标定辅助工具(如锥筒),参数标定的方法更简单、快捷,缩减了硬件成本。
请参考图7,作为对上述图1所示方法的实现,本申请提供了一种激光雷达外部参数的校准装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的激光雷达外部参数的校准装置包括:真实点云数据获取模块71、虚拟模型创建模块72、真实模型创建模块73、理想路况外参校准模块74、复杂路况模型创建模块75及复杂路况外参校准模块76,其中:
真实点云数据获取模块71,用于获取理想路况下激光雷达的原始点云数据,并对原始点云数据进行预处理,得到真实点云数据;
虚拟模型创建模块72,用于创建理想路况下的虚拟模型,其中,虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型;
真实模型创建模块73,用于基于真实点云数据,创建真实点云的地平面模型,以及基于真实点云数据,创建真实点云的路缘直线模型;
理想路况外参校准模块74,用于基于理想地面虚拟模型、真实点云的地平面模型、理想车体坐标系虚拟模型以及真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于校准参数对理想路况下激光雷达外参进行校准;
复杂路况模型创建模块75,用于获取复杂路况下激光雷达的目标点云数据,并根据目标点云数据,创建复杂路况的地平面模型;
复杂路况外参校准模块76,用于根据理想地面虚拟模型与复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数,并基于目标校准参数对复杂路况下激光雷达外参进行校准。
进一步地,真实模型创建模块73包括:
初始地平面模型创建单元,用于采用最低点代表法,从真实点云数据中选择竖轴方向的部分种子点集,并基于部分种子点集创建初始地平面模型;
正交投影距离计算单元,用于计算真实点云数据中的每一点云数据到初始地平面模型的正交投影距离,得到正交投影距离数据集,其中,正交投影距离数据集包括多个正交投影距离;
目标正交投影距离确定单元,用于从正交投影距离数据集中,获取超过第一预设阈值的正交投影距离,作为目标正交投影距离;
地平面模型创建单元,用于将目标正交投影距离对应的点云数据作为地平面点,并基于地平面点构建真实点云的地平面模型。
进一步地,真实模型创建模块73还包括:
拟合模型生成单元,用于随机选取真实点云数据中的K个点云数据,并基于K个点云数据进行拟合模型,其中,K为正整数;
拟合距离计算单元,用于计算真实点云数据到拟合模型的距离,得到拟合距离集,其中,拟合距离集中包括多个拟合距离;
路缘直线模型创建单元,用于从拟合距离集中,获取超过第二预设阈值的拟合距离,作为目标拟合距离,并将目标拟合距离对应的点云数据作为目标内点,且基于目标内点构建真实点云的路缘直线模型。
进一步地,理想路况外参校准模块74包括:
法向量调取单元,用于通过预设函数,调取理想地面虚拟模型与真实点云的地平面模型中的平面法向量和竖轴法向量;
法向量方向调整单元,用于将虚拟模型的车辆为原点,并将原点作为视点位置,且根据视点位置,将平面法向量和竖轴法向量调整为相同的法向量方向;
参数计算单元,用于计算平面法向量和竖轴法向量沿纵轴和横轴方向上的夹角,得到俯仰角度参数和侧倾角度参数;
旋转校准单元,用于基于俯仰角度参数和侧倾角度参数,对理想路况下激光雷达外参进行沿纵轴和横轴进行旋转校准;
平移校准单元,用于通过预设公式计算真实点云的地平面模型在竖轴的平移量,并基于平移量对理想路况下激光雷达外参沿竖轴进行平移校准;
竖轴旋转校准单元,用于基于理想车体坐标系虚拟模型与真实点云的路缘直线模型,计算偏航角度参数,并根据偏航角度参数对理想路况下激光雷达外参沿竖轴进行旋转校准。
进一步地,竖轴旋转校准单元包括:
真实路缘向量构建单元,用于分别基于理想车体坐标系虚拟模型与真实点云的路缘直线模型,构建虚拟模型向量和真实路缘向量;
偏航角度参数计算单元,用于计算虚拟模型向量和真实路缘向量的角度,得到目标角度,并确定目标角度的方向,得到偏航角度参数;
偏航角度参数校准单元,用于根据偏航角度参数对理想路况下激光雷达外参沿竖轴进行旋转校准。
进一步地,复杂路况模型创建模块75包括:
目标点云数据获取单元,用于获取复杂路况下激光雷达的目标点云数据;
地面提取单元,用于采用深度学习模型对目标点云数据进行地面提取,以创建复杂路况的地平面模型;
其中,深度学习模型采用开源的点云数据集SematicKITTI以及点云数据集训练后的点云语义分割网络,点云语义分割网络采用极坐标分割点云数据,使用方位角和半径作为点云数据中的点。
进一步地,真实点云数据获取模块71包括:
原始点云数据获取单元,用于获取理想路况下激光雷达的原始点云数据;
感兴趣区域确定单元,用于将原始点云数据中车辆的预设范围作为感兴趣区域;
点云数据获取单元,用于从原始点云数据中提取感兴趣区域内的点云数据,得到真实点云数据。
为解决上述技术问题,本申请实施例还提供计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
计算机设备8包括通过系统总线相互通信连接存储器81、处理器82、网络接口83。需要指出的是,图中仅示出了具有三种组件存储器81、处理器82、网络接口83的计算机设备8,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。其中,本技术领域技术人员可以理解,这里的计算机设备是一种能够按照事先设定或存储的指令,自动进行数值计算和/或信息处理的设备,其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字处理器 (Digital Signal Processor,DSP)、嵌入式设备等。
计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
存储器81至少包括一种类型的可读存储介质,可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器81可以是计算机设备8的内部存储单元,例如该计算机设备8的硬盘或内存。在另一些实施例中,存储器81也可以是计算机设备8的外部存储设备,例如该计算机设备8上配备的插接式硬盘,智能存储卡(SmartMedia Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。当然,存储器81还可以既包括计算机设备8的内部存储单元也包括其外部存储设备。本实施例中,存储器81通常用于存储安装于计算机设备8的操作系统和各类应用软件,例如激光雷达外部参数的校准方法的程序代码等。此外,存储器81还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器82在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器82通常用于控制计算机设备8的总体操作。本实施例中,处理器82用于运行存储器81中存储的程序代码或者处理数据,例如运行上述激光雷达外部参数的校准方法的程序代码,以实现激光雷达外部参数的校准方法的各种实施例。
网络接口83可包括无线网络接口或有线网络接口,该网络接口83通常用于在计算机设备8与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式,即提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序可被至少一个处理器执行,以使至少一个处理器执行如上述的一种激光雷达外部参数的校准方法的步骤。
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,空调器,或者网络设备等)执行本申请各个实施例的方法。
显然,以上所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例,附图中给出了本申请的较佳实施例,但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本申请说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本申请专利保护范围之内。
Claims (4)
1.一种激光雷达外部参数的校准方法,其特征在于,包括:
获取理想路况下激光雷达的原始点云数据;
将所述原始点云数据中车辆的预设范围作为感兴趣区域;
从所述原始点云数据中提取所述感兴趣区域内的点云数据,得到真实点云数据;
创建理想路况下的虚拟模型,其中,所述虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型;
采用最低点代表法,从所述真实点云数据中选择竖轴方向的部分种子点集,并基于所述部分种子点集创建初始地平面模型,其中,对所述真实点云数据内的点沿着竖轴方向排序,计算N个最低高度的点求得高度平均值,采用高度平均值代表整个点云的最低点,选取高度在高度阈值范围内的点,得到所述部分种子点集,N为正整数;
计算所述真实点云数据中的每一点云数据到所述初始地平面模型的正交投影距离,得到正交投影距离数据集,其中,所述正交投影距离数据集包括多个正交投影距离;
从所述正交投影距离数据集中,获取超过第一预设阈值的正交投影距离,作为目标正交投影距离;
将所述目标正交投影距离对应的点云数据作为地平面点,并基于所述地平面点构建真实点云的地平面模型;
随机选取所述真实点云数据中的K个点云数据,并基于K个所述点云数据进行拟合模型,其中,K为正整数;
计算所述真实点云数据到所述拟合模型的距离,得到拟合距离集,其中,所述拟合距离集中包括多个拟合距离;
从所述拟合距离集中,获取超过第二预设阈值的拟合距离,作为目标拟合距离,并将所述目标拟合距离对应的点云数据作为目标内点,且基于所述目标内点构建真实点云的路缘直线模型;
基于所述理想地面虚拟模型、所述真实点云的地平面模型、所述理想车体坐标系虚拟模型以及所述真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于所述校准参数对所述理想路况下激光雷达外参进行校准;
获取复杂路况下激光雷达的目标点云数据,并根据所述目标点云数据,创建复杂路况的地平面模型;
根据所述理想地面虚拟模型与所述复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数,并基于所述目标校准参数对所述复杂路况下激光雷达外参进行校准;
其中,校准参数包括俯仰角度参数、侧倾角度参数、偏航角度参数以及平移量,所述基于所述理想地面虚拟模型、所述真实点云的地平面模型、所述理想车体坐标系虚拟模型以及所述真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于所述校准参数对所述理想路况下激光雷达外参进行校准,包括:
通过预设函数,调取所述理想地面虚拟模型与所述真实点云的地平面模型中的平面法向量和竖轴法向量;
将所述虚拟模型的车辆为原点,并将所述原点作为视点位置,且根据所述视点位置,将所述平面法向量和所述竖轴法向量调整为相同的法向量方向;
计算所述平面法向量和所述竖轴法向量沿纵轴和横轴方向上的夹角,得到所述俯仰角度参数和所述侧倾角度参数;
基于所述俯仰角度参数和所述侧倾角度参数,对所述理想路况下激光雷达外参进行沿纵轴和横轴进行旋转校准;
通过预设公式计算所述真实点云的地平面模型在竖轴的所述平移量,并基于所述平移量对所述理想路况下激光雷达外参沿竖轴进行平移校准;
基于所述理想车体坐标系虚拟模型与所述真实点云的路缘直线模型,计算所述偏航角度参数,并根据所述偏航角度参数对所述理想路况下激光雷达外参沿竖轴进行旋转校准;
所述基于所述理想车体坐标系虚拟模型与所述真实点云的路缘直线模型,计算所述偏航角度参数,并根据所述偏航角度参数对所述理想路况下激光雷达外参沿竖轴进行旋转校准,包括:
分别基于所述理想车体坐标系虚拟模型与所述真实点云的路缘直线模型,构建虚拟模型向量和真实路缘向量;
计算所述虚拟模型向量和所述真实路缘向量的角度,得到目标角度,并确定所述目标角度的方向,得到所述偏航角度参数,其中,在所述真实点云的路缘直线模型上任意选择2个点P、Q,得到所述真实路缘向量,设所述理想车体坐标系虚拟模型的所述虚拟模型向量为,然后计算所述真实路缘向量旋转到所述虚拟模型向量的角度,由以下公式计算所述目标角度:;通过判断所述真实路缘向量与所述虚拟模型向量为叉乘的结果判断所述目标角度的方向,若所述叉乘的结果为正数,则所述偏航角度参数等于,此时所述目标角度的方向为逆时针;若所述叉乘的结果为负数,则所述偏航角度参数等于,所述目标角度的方向为顺时针;
根据所述偏航角度参数对所述理想路况下激光雷达外参沿竖轴进行旋转校准;
所述获取复杂路况下激光雷达的目标点云数据,并根据所述目标点云数据,创建复杂路况的地平面模型,包括:
获取复杂路况下激光雷达的所述目标点云数据;
采用深度学习模型对所述目标点云数据进行地面提取,以创建所述复杂路况的地平面模型;
其中,深度学习模型采用开源的点云数据集SematicKITTI以及点云数据集训练后的点云语义分割网络,所述点云语义分割网络采用极坐标分割所述点云数据,使用方位角和半径作为所述点云数据中的点。
2.一种激光雷达外部参数的校准装置,其特征在于,包括:
原始点云数据获取单元,用于获取理想路况下激光雷达的原始点云数据;
感兴趣区域确定单元,用于将所述原始点云数据中车辆的预设范围作为感兴趣区域;
点云数据获取单元,用于从所述原始点云数据中提取所述感兴趣区域内的点云数据,得到真实点云数据;
虚拟模型创建模块,用于创建理想路况下的虚拟模型,其中,所述虚拟模型包括理想地面虚拟模型与理想车体坐标系虚拟模型;
初始地平面模型创建单元,用于采用最低点代表法,从所述真实点云数据中选择竖轴方向的部分种子点集,并基于所述部分种子点集创建初始地平面模型,其中,对所述真实点云数据内的点沿着竖轴方向排序,计算N个最低高度的点求得高度平均值,采用高度平均值代表整个点云的最低点,选取高度在高度阈值范围内的点,得到所述部分种子点集;
正交投影距离计算单元,用于计算所述真实点云数据中的每一点云数据到所述初始地平面模型的正交投影距离,得到正交投影距离数据集,其中,所述正交投影距离数据集包括多个正交投影距离;
目标正交投影距离确定单元,用于从所述正交投影距离数据集中,获取超过第一预设阈值的正交投影距离,作为目标正交投影距离;
地平面模型创建单元,用于将所述目标正交投影距离对应的点云数据作为地平面点,并基于所述地平面点构建真实点云的地平面模型;
拟合模型生成单元,用于随机选取所述真实点云数据中的K个点云数据,并基于K个所述点云数据进行拟合模型,其中,K为正整数;
拟合距离计算单元,用于计算所述真实点云数据到所述拟合模型的距离,得到拟合距离集,其中,所述拟合距离集中包括多个拟合距离;
路缘直线模型创建单元,用于从所述拟合距离集中,获取超过第二预设阈值的拟合距离,作为目标拟合距离,并将所述目标拟合距离对应的点云数据作为目标内点,且基于所述目标内点构建真实点云的路缘直线模型;
理想路况外参校准模块,用于基于所述理想地面虚拟模型、所述真实点云的地平面模型、所述理想车体坐标系虚拟模型以及所述真实点云的路缘直线模型,计算理想路况下激光雷达外参中的校准参数,并基于所述校准参数对所述理想路况下激光雷达外参进行校准;
复杂路况模型创建模块,用于获取复杂路况下激光雷达的目标点云数据,并根据所述目标点云数据,创建复杂路况的地平面模型;
复杂路况外参校准模块,用于根据所述理想地面虚拟模型与所述复杂路况的地平面模型,计算复杂路况下激光雷达外参中的目标校准参数,并基于所述目标校准参数对所述复杂路况下激光雷达外参进行校准;
其中,校准参数包括俯仰角度参数、侧倾角度参数、偏航角度参数以及平移量,所述理想路况外参校准模块包括:
法向量调取单元,用于通过预设函数,调取所述理想地面虚拟模型与所述真实点云的地平面模型中的平面法向量和竖轴法向量;
法向量方向调整单元,用于将所述虚拟模型的车辆为原点,并将所述原点作为视点位置,且根据所述视点位置,将所述平面法向量和所述竖轴法向量调整为相同的法向量方向;
参数计算单元,用于计算所述平面法向量和所述竖轴法向量沿纵轴和横轴方向上的夹角,得到所述俯仰角度参数和所述侧倾角度参数;
旋转校准单元,用于基于所述俯仰角度参数和所述侧倾角度参数,对所述理想路况下激光雷达外参进行沿纵轴和横轴进行旋转校准;
平移校准单元,用于通过预设公式计算所述真实点云的地平面模型在竖轴的所述平移量,并基于所述平移量对所述理想路况下激光雷达外参沿竖轴进行平移校准;
竖轴旋转校准单元,用于基于所述理想车体坐标系虚拟模型与所述真实点云的路缘直线模型,计算所述偏航角度参数,并根据所述偏航角度参数对所述理想路况下激光雷达外参沿竖轴进行旋转校准;
所述竖轴旋转校准单元包括:
真实路缘向量构建单元,用于分别基于所述理想车体坐标系虚拟模型与所述真实点云的路缘直线模型,构建虚拟模型向量和真实路缘向量;
偏航角度参数计算单元,用于计算所述虚拟模型向量和所述真实路缘向量的角度,得到目标角度,并确定所述目标角度的方向,得到所述偏航角度参数,其中,在所述真实点云的路缘直线模型上任意选择2个点P、Q,得到所述真实路缘向量,设所述理想车体坐标系虚拟模型的所述虚拟模型向量为,然后计算所述真实路缘向量旋转到所述虚拟模型向量的角度,由以下公式计算所述目标角度:;通过判断所述真实路缘向量与所述虚拟模型向量为叉乘的结果判断所述目标角度的方向,若所述叉乘的结果为正数,则所述偏航角度参数等于,此时所述目标角度的方向为逆时针;若所述叉乘的结果为负数,则所述偏航角度参数等于,所述目标角度的方向为顺时针;
偏航角度参数校准单元,用于根据所述偏航角度参数对所述理想路况下激光雷达外参沿竖轴进行旋转校准;
所述复杂路况模型创建模块包括:
目标点云数据获取单元,用于获取复杂路况下激光雷达的所述目标点云数据;
地面提取单元,用于采用深度学习模型对所述目标点云数据进行地面提取,以创建所述复杂路况的地平面模型;
其中,深度学习模型采用开源的点云数据集SematicKITTI以及点云数据集训练后的点云语义分割网络,所述点云语义分割网络采用极坐标分割所述点云数据,使用方位角和半径作为所述点云数据中的点。
3.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1所述的激光雷达外部参数的校准方法。
4.一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所述的激光雷达外部参数的校准方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482371.9A CN115542301B (zh) | 2022-11-24 | 2022-11-24 | 激光雷达外部参数的校准方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211482371.9A CN115542301B (zh) | 2022-11-24 | 2022-11-24 | 激光雷达外部参数的校准方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115542301A CN115542301A (zh) | 2022-12-30 |
CN115542301B true CN115542301B (zh) | 2023-04-07 |
Family
ID=84719643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211482371.9A Active CN115542301B (zh) | 2022-11-24 | 2022-11-24 | 激光雷达外部参数的校准方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115542301B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953905B (zh) * | 2023-03-15 | 2023-05-16 | 河北博士林科技开发有限公司 | 一种基于激光雷达的车路协同控制系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507982B (zh) * | 2019-06-28 | 2022-04-26 | 浙江大学 | 一种基于深度学习的点云语义分割方法 |
CN110320504B (zh) * | 2019-07-29 | 2021-05-18 | 浙江大学 | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 |
CN111427026B (zh) * | 2020-02-21 | 2023-03-21 | 深圳市镭神智能系统有限公司 | 激光雷达的标定方法、装置、存储介质及自移动设备 |
CN111736137B (zh) * | 2020-08-06 | 2020-11-27 | 广州汽车集团股份有限公司 | LiDAR外部参数标定方法、系统、计算机设备及可读存储介质 |
CN115144825A (zh) * | 2021-03-31 | 2022-10-04 | 华为技术有限公司 | 一种车载雷达的外参标定方法与装置 |
CN114419165B (zh) * | 2022-01-17 | 2024-01-12 | 北京百度网讯科技有限公司 | 相机外参校正方法、装置、电子设备和存储介质 |
CN114972532A (zh) * | 2022-05-17 | 2022-08-30 | 上海人工智能创新中心 | 激光雷达之间的外参标定方法、装置、设备及存储介质 |
CN115164868A (zh) * | 2022-06-14 | 2022-10-11 | 中原动力智能机器人有限公司 | 机器人定位方法、装置、机器人及存储介质 |
-
2022
- 2022-11-24 CN CN202211482371.9A patent/CN115542301B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115542301A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3620823B1 (en) | Method and device for detecting precision of internal parameter of laser radar | |
CN110609290B (zh) | 激光雷达匹配定位方法及装置 | |
CN111353969B (zh) | 道路可行驶区域的确定方法、装置及计算机设备 | |
CN110264502B (zh) | 点云配准方法和装置 | |
CN111179274B (zh) | 地图地面分割方法、装置、计算机设备和存储介质 | |
WO2022179094A1 (zh) | 车载激光雷达外参数联合标定方法、系统、介质及设备 | |
CN115542301B (zh) | 激光雷达外部参数的校准方法、装置、设备及存储介质 | |
CN112146682B (zh) | 智能汽车的传感器标定方法、装置、电子设备及介质 | |
CN114120149B (zh) | 一种倾斜摄影测量建筑物特征点提取方法、装置、电子设备及介质 | |
US20210192777A1 (en) | Method, device and storage medium for positioning object | |
CN114280582A (zh) | 激光雷达的标定校准方法、装置、存储介质及电子设备 | |
CN109115232B (zh) | 导航的方法和装置 | |
CN114820749A (zh) | 无人车井下定位方法、系统、设备及介质 | |
CN112836698A (zh) | 一种定位方法、装置、存储介质及电子设备 | |
CN115436920A (zh) | 一种激光雷达标定方法及相关设备 | |
DE112017006839T5 (de) | Informationsverarbeitungsvorrichtung, Datenbankerzeugungsvorrichtung, Verfahren, Programm und Speichermedium | |
CN113935904A (zh) | 激光里程计误差修正方法、系统、存储介质及计算设备 | |
US11747454B2 (en) | Granularity-flexible existence-based object detection | |
CN114120795B (zh) | 一种地图绘制方法及装置 | |
CN112477868B (zh) | 碰撞时间计算方法、装置、可读存储介质和计算机设备 | |
CN108805121B (zh) | 一种车牌检测定位方法、装置、设备及计算机可读介质 | |
CN112507857B (zh) | 一种车道线更新方法、装置、设备及存储介质 | |
CN114488042A (zh) | 一种激光雷达标定方法、装置、电子设备和存储介质 | |
CN112767477A (zh) | 一种定位方法、装置、存储介质及电子设备 | |
CN113124816A (zh) | 天线工参生成方法、装置、存储介质和计算机设备 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 301, 302, Floor 3, Building A, Subzone 3, Leibai Zhongcheng Life Science Park, No. 22, Jinxiu East Road, Jinsha Community, Kengzi Street, Pingshan District, Shenzhen, Guangdong 518000 Applicant after: Shenzhen Automotive Research Institute Beijing University of Technology Address before: Floor 19, block a, innovation Plaza, 2007 Pingshan street, Pingshan District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen Automotive Research Institute Beijing University of Technology |
|
GR01 | Patent grant | ||
GR01 | Patent grant |