CN116359941A - 自动泊车定位方法、装置、计算机设备和存储介质 - Google Patents

自动泊车定位方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN116359941A
CN116359941A CN202310067291.5A CN202310067291A CN116359941A CN 116359941 A CN116359941 A CN 116359941A CN 202310067291 A CN202310067291 A CN 202310067291A CN 116359941 A CN116359941 A CN 116359941A
Authority
CN
China
Prior art keywords
point cloud
parking lot
coordinate
laser radar
normal vector
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
Application number
CN202310067291.5A
Other languages
English (en)
Inventor
董松梅
王双妮
韩领涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hechuang Automotive Technology Co Ltd
Original Assignee
Hechuang Automotive Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hechuang Automotive Technology Co Ltd filed Critical Hechuang Automotive Technology Co Ltd
Priority to CN202310067291.5A priority Critical patent/CN116359941A/zh
Publication of CN116359941A publication Critical patent/CN116359941A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/168—Driving aids for parking, e.g. acoustic or visual feedback on parking space
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
    • G01C21/3804—Creation or updating of map data
    • G01C21/3807—Creation or updating of map data characterised by the type of data
    • G01C21/3811—Point data, e.g. Point of Interest [POI]
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种自动泊车定位方法、装置、计算机设备、存储介质和计算机程序产品。该方法包括：获取标定板在东北天坐标系下的数据点集和数据点集在激光雷达坐标系下对应的点云坐标集；将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；获取平面法向量与地面真实法向量之间的向量误差值，在向量误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云；对拼接点云进行预处理，根据预处理后的拼接点云，合成停车场的目标停车场地图；获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值作为当前车辆在停车场的实际定位结果。采用本方法，能够提高无人驾驶汽车的泊车效率。

Description

自动泊车定位方法、装置、计算机设备和存储介质
技术领域
本申请涉及自动驾驶技术领域，特别是涉及一种自动泊车定位方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着自动驾驶技术的发展，出现了无人驾驶汽车，无人驾驶汽车依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，可以使控制终端自动安全地操控机动车辆。
传统技术中，无人驾驶汽车的泊车还需要人工进行操控；然而通过人工操控无人驾驶汽车进行泊车的流程比较复杂，而且容易受相关人员的经验和状态等因素的影响，导致无人驾驶汽车的泊车效率较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高无人驾驶汽车泊车效率的自动泊车定位方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种自动泊车定位方法。所述方法包括：
获取标定板在东北天坐标系下的数据点集，以及所述数据点集在激光雷达坐标系下一一对应的点云坐标集；所述数据点集通过移动所述标定板放置在停车场的不同位置而测量得到；所述激光雷达坐标系为多激光雷达的感知系统中的坐标系，所述多激光雷达包括主激光雷达和补盲雷达，所述主激光雷达的视场角用于覆盖所述停车场，所述补盲雷达用于弥补所述主激光雷达的视场盲区；
将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；所述标定算法处理模型为根据所述数据点集与所述点云坐标集之间的匹配关系构建的模型；
获取平面法向量与地面真实法向量之间的向量误差值，在所述向量误差值小于预设值的情况下，根据所述转换矩阵，将所述多激光雷达的点云转换到所述东北天坐标系下，得到拼接点云；
对所述拼接点云进行预处理，根据预处理后的拼接点云，合成所述停车场的目标停车场地图；
获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果。
在其中一个实施例中，在将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵之前，还包括：
获取所述数据点集与所述点云坐标集之间的匹配关系；
根据所述匹配关系，构建目标函数模型，作为所述预先构建的标定算法处理模型。
在其中一个实施例中，在将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵之后，还包括：
根据所述点云坐标集和所述转换矩阵，得到转换后的点云坐标集；
所述获取平面法向量与地面真实法向量之间的向量误差值，包括：
分别获取所述平面法向量与所述地面真实法向量；所述平面法向量根据所述转换后的点云坐标集进行地面拟合得到；
根据所述平面法向量与所述地面真实法向量，计算所述平面法向量与地面真实法向量之间的向量误差值。
在其中一个实施例中，在根据所述点云坐标集和所述转换矩阵，得到转换后的点云坐标集之后，还包括：
根据所述转换后的点云坐标集和所述数据点集，计算各个点云的匹配误差值和点集平均匹配误差值；所述点集平均匹配误差值为所述变换后的点云坐标集与所述数据点集之间的平均误差值；
在获取平面法向量与地面真实法向量之间的向量误差值之后，还包括：
在所述向量误差值大于所述预设值的情况下，从所述数据点集和所述点云坐标集中筛选并去除匹配误差值大于所述点集平均匹配误差值的点云；
更新所述数据点集和所述点云坐标集，得到更新后的数据点集和点云坐标集，并跳转至所述将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵的步骤。
在其中一个实施例中，所述根据预处理后的拼接点云，合成所述停车场的目标停车场地图，包括：
将所述预处理后的拼接点云进行矢量化标注处理，得到所述目标停车场地图；
在根据预处理后的拼接点云，合成所述停车场的目标停车场地图之后，还包括：
根据所述目标停车场地图，进行泊车位的选择和全局路径规划，得到所述当前车辆的目标泊车位信息和全局路径规划信息；
将所述目标泊车位信息和所述全局路径规划信息，发送至所述当前车辆。
在其中一个实施例中，在获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果之后，还包括：
实时更新所述当前车辆在所述停车场的实际定位结果，得到更新后的实际定位结果；
根据所述更新后的实际定位结果，对所述当前车辆的所述全局路径规划信息进行跟踪和校准。
第二方面，本申请还提供了一种自动泊车定位装置。所述装置包括：
信息获取模块，用于获取标定板在东北天坐标系下的数据点集，以及所述数据点集在激光雷达坐标系下一一对应的点云坐标集；所述数据点集通过移动所述标定板放置在停车场的不同位置而测量得到；所述激光雷达坐标系为多激光雷达的感知系统中的坐标系，所述多激光雷达包括主激光雷达和补盲雷达，所述主激光雷达的视场角用于覆盖所述停车场，所述补盲雷达用于弥补所述主激光雷达的视场盲区；
信息处理模块，用于将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；所述标定算法处理模型为根据所述数据点集与所述点云坐标集之间的匹配关系构建的模型；
点云拼接模块，用于获取平面法向量与地面真实法向量之间的误差值，在所述误差值小于预设值的情况下，根据所述转换矩阵，将所述多激光雷达的点云转换到所述东北天坐标系下，得到拼接点云；
地图合成模块，用于对所述拼接点云进行预处理，根据预处理后的拼接点云，合成所述停车场的目标停车场地图；
结果获取模块，用于获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取标定板在东北天坐标系下的数据点集，以及所述数据点集在激光雷达坐标系下一一对应的点云坐标集；所述数据点集通过移动所述标定板放置在停车场的不同位置而测量得到；所述激光雷达坐标系为多激光雷达的感知系统中的坐标系，所述多激光雷达包括主激光雷达和补盲雷达，所述主激光雷达的视场角用于覆盖所述停车场，所述补盲雷达用于弥补所述主激光雷达的视场盲区；
将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；所述标定算法处理模型为根据所述数据点集与所述点云坐标集之间的匹配关系构建的模型；
获取平面法向量与地面真实法向量之间的向量误差值，在所述向量误差值小于预设值的情况下，根据所述转换矩阵，将所述多激光雷达的点云转换到所述东北天坐标系下，得到拼接点云；
对所述拼接点云进行预处理，根据预处理后的拼接点云，合成所述停车场的目标停车场地图；
获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果。
第四方面，本申请还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，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以下步骤：
获取标定板在东北天坐标系下的数据点集，以及所述数据点集在激光雷达坐标系下一一对应的点云坐标集；所述数据点集通过移动所述标定板放置在停车场的不同位置而测量得到；所述激光雷达坐标系为多激光雷达的感知系统中的坐标系，所述多激光雷达包括主激光雷达和补盲雷达，所述主激光雷达的视场角用于覆盖所述停车场，所述补盲雷达用于弥补所述主激光雷达的视场盲区；
将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；所述标定算法处理模型为根据所述数据点集与所述点云坐标集之间的匹配关系构建的模型；
获取平面法向量与地面真实法向量之间的向量误差值，在所述向量误差值小于预设值的情况下，根据所述转换矩阵，将所述多激光雷达的点云转换到所述东北天坐标系下，得到拼接点云；
对所述拼接点云进行预处理，根据预处理后的拼接点云，合成所述停车场的目标停车场地图；
获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果。
第五方面，本申请还提供了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，该计算机程序被处理器执行时实现以下步骤：
获取标定板在东北天坐标系下的数据点集，以及所述数据点集在激光雷达坐标系下一一对应的点云坐标集；所述数据点集通过移动所述标定板放置在停车场的不同位置而测量得到；所述激光雷达坐标系为多激光雷达的感知系统中的坐标系，所述多激光雷达包括主激光雷达和补盲雷达，所述主激光雷达的视场角用于覆盖所述停车场，所述补盲雷达用于弥补所述主激光雷达的视场盲区；
将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；所述标定算法处理模型为根据所述数据点集与所述点云坐标集之间的匹配关系构建的模型；
获取平面法向量与地面真实法向量之间的向量误差值，在所述向量误差值小于预设值的情况下，根据所述转换矩阵，将所述多激光雷达的点云转换到所述东北天坐标系下，得到拼接点云；
对所述拼接点云进行预处理，根据预处理后的拼接点云，合成所述停车场的目标停车场地图；
获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果。
上述自动泊车定位方法、装置、计算机设备、存储介质和计算机程序产品，通过获取标定板在东北天坐标系下的数据点集，以及数据点集在激光雷达坐标系下一一对应的点云坐标集；然后将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；再获取平面法向量与地面真实法向量之间的向量误差值，在向量误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云；之后对拼接点云进行预处理，根据预处理后的拼接点云，合成停车场的目标停车场地图；最后获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值，作为当前车辆在停车场的实际定位结果。这样，先获取标定板在东北天坐标系下的数据点集，在采集数据点集的同时，录制激光雷达的点云数据包并从点云数据包中选择出反射率高的标定板角点点云，从而得到数据点集在激光雷达坐标系下一一对应的点云坐标集；然后利用数据点集和点云坐标集之间已知的匹配关系，通过将数据点集和点云坐标集输入预先构建的标定算法处理模型，从而准确得到转换矩阵；再计算出平面法向量与地面真实法向量之间的向量误差值，在向量误差值在预设值范围内的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，并完成点云拼接，从而有效地得到拼接点云；之后对拼接点云进行滤波和分割等预处理操作，并将拼接点云进行矢量化标注处理加工成停车场高精地图，从而精确地得到停车场的目标停车场地图；最后获取当前车辆在目标停车场地图中的坐标值，将其作为当前车辆在停车场的实际定位结果；即采用基于自动驾驶技术的自动泊车定位方法辅助无人驾驶汽车实现自动泊车功能，提高了无人驾驶汽车的智能化程度，且整个泊车的过程无需人工进行操控，从而避免了通过人工操控无人驾驶汽车进行泊车等繁琐的过程，进而提高了无人驾驶汽车的泊车效率。
附图说明
图1为一个实施例中自动泊车定位方法的应用环境图；
图2为一个实施例中多激光雷达在停车场场端的布置示意图；
图3为一个实施例中自动泊车定位方法的流程示意图；
图4为一个实施例中标定板的示意图；
图5为另一个实施例中自动泊车定位方法的流程示意图；
图6为又一个实施例中自动泊车定位方法的流程示意图；
图7为一个实施例中自动泊车定位装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处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。
本申请实施例提供的自动泊车定位方法，可以应用于如图1所示的应用环境中。其中，停车场场端102通过网络与当前车辆101进行通信，多激光雷达103作为停车场场端102的感知传感器，用于录制当前车辆101的点云数据包，并将该点云数据包发送至停车场场端102。具体地，参考图1，停车场场端102获取标定板在东北天坐标系下的数据点集，以及数据点集在多激光雷达103对应的激光雷达坐标系下一一对应的点云坐标集；再将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；然后获取平面法向量与地面真实法向量之间的向量误差值，在向量误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云；之后对拼接点云进行预处理，根据预处理后的拼接点云，合成停车场的目标停车场地图；最后获取当前车辆101在目标停车场地图中的坐标值，将当前车辆101的坐标值，作为当前车辆101在停车场的实际定位结果。
其中，当前车辆101是一种具备线控能力的无人驾驶汽车；停车场场端102是一种集定位、路径规划、协同计算、就地化分析决策、车辆状态监测及通讯组网等功能于一体的智能化融合终端设备，用于协作无人驾驶车辆进行自动泊车。
其中，如图2所示，多激光雷达103包括主激光雷达1、主激光雷达2、补盲雷达1和补盲雷达2，主激光雷达1和主激光雷达2均安装在停车场旁的建筑物外墙高处，两个主激光雷达均为80线机械式激光雷达，点云较稠密；补盲雷达1和补盲雷达2则安装在自动泊车区，两个补盲雷达均为32线机械式激光雷达，作为感知补充。如图2所示的布置下，可以做到多激光雷达103的视场角在该室外停车场范围内全覆盖。
在一个实施例中，如图3所示，提供了一种自动泊车定位方法，以该方法应用于图1中的停车场场端为例进行说明，包括以下步骤：
步骤S301，获取标定板在东北天坐标系下的数据点集，以及数据点集在激光雷达坐标系下一一对应的点云坐标集；数据点集通过移动标定板放置在停车场的不同位置而测量得到；激光雷达坐标系为多激光雷达的感知系统中的坐标系，多激光雷达包括主激光雷达和补盲雷达，主激光雷达的视场角用于覆盖停车场，补盲雷达用于弥补主激光雷达的视场盲区。
其中，标定板如图4所示，为在一矩形面板边缘贴上具有高反射率的反光条，确定标定板与地面接触的右角点，移动标定板放置在停车场地的不同位置，采集各角点的RTK(Real-time kinematic，载波相位差分技术)数据，从而得到东北天坐标系下的数据点集。
其中，东北天坐标系是一种x轴指向东，y轴指向北，z轴指向天的坐标系。
其中，点云坐标集由点云数据包中反射率高的标定板角点点云组成。
具体地，停车场场端响应于无人驾驶汽车的自动泊车定位请求，生成信息获取指令，根据信息获取指令，获取标定板在东北天坐标系下的数据点集，将数据点集转换为点云坐标集，从而得到数据点集在激光雷达坐标系下一一对应的点云坐标集。
举例说明，采用人工标定的方法，用手持RTK(一种测量仪器)获取标定板在东北天坐标系下的数据点集A；采集数据点集A的过程中，每记录一个角点RTK数据的同时录制激光雷达的点云数据包，所述点云数据包为基于激光雷达坐标系下的点云，从所述点云数据包中相应选择出反射率高的标定板角点点云，从而得到与数据点集A一一对应的点云坐标集B。
步骤S302，将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；标定算法处理模型为根据数据点集与点云坐标集之间的匹配关系构建的模型。
其中，标定算法处理模型是根据数据点集与所述点云坐标集之间的匹配关系，构建的目标函数模型。
其中，转换矩阵是通过目标函数模型求解出来的旋转矩阵。
具体地，停车场场端将数据点集和点云坐标集一一对应，得到相互对应的数据点集和点云坐标集，将相互对应的数据点集和点云坐标集输入预先构建的标定算法处理模型进行处理，求解得到转换矩阵。
举例说明，停车场场端将数据点集A和点云坐标集B中的点云一一对应，得到相互对的的数据点集A’和点云坐标集B’，将相互对应的数据点集A’和点云坐标集B’输入预先构建的标定算法处理模型进行计算，求解得到转换矩阵R，
Figure BDA0004073636400000091
步骤S303，获取平面法向量与地面真实法向量之间的向量误差值，在向量误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云。
其中，平面法向量将转换后的点云坐标集使用RANSAC(Random SampleConsensus，随机样本一致性)算法进行地面拟合得到的。
其中，拼接点云通过在ROS(Route Operation System，软体路由器)系统中同时订阅多激光雷达的点云发布数据而得到。
具体地，停车场场端分别获取平面法向量与地面真实法向量，计算平面法向量与地面真实法向量之间的向量误差值；将向量误差值与预设值比较，在向量误差值小于预设值的情况下，根据转换矩阵的数据信息，将多激光雷达的点云转换到东北天坐标系下，并完成点云拼接，从而得到拼接点云。
举例说明，将转换完成的激光雷达点云使用RANSAC算法进行地面拟合得到平面法向量α1，与地面真实法向量α2进行比较；如误差在阈值内，将转换矩阵换算成欧拉角的形式，将以上信息写入对应的激光雷达配置文件中，从而实现将多激光雷达的点云均转换到东北天坐标系下，在ROS系统中同时订阅多激光雷达的点云发布数据，完成点云拼接。
步骤S304，对拼接点云进行预处理，根据预处理后的拼接点云，合成停车场的目标停车场地图。
其中，预处理包括滤波及分割等操作，可以去除停车场区域以外的噪声点，有利于提高激光雷达后续的感知算法处理速度。
其中，目标停车场地图是指通过将拼接点云进行矢量化标注处理而加工形成的停车场高精度地图。
具体地，停车场场端对拼接点云进行滤波及分割等预处理操作，去除停车场区域以外的噪声点，根据预处理后的拼接点云，加工形成停车场高精度地图，作为停车场的目标停车场地图。
举例说明，对拼接后的点云进行预处理，包括滤波及分割等预处理，去除停车场区域以外的噪声点；将拼接点云进行矢量化标注处理加工成停车场高精度地图，将此停车场高精度地图作为车辆定位及路径规划的地图使用，利用高精度地图可进行泊车位的选择并进行全局路径规划，全局路径规划的相关信息由停车场场端发送至当前车辆，当前车辆接收后进行车辆轨迹的控制。
步骤S305，获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值，作为当前车辆在停车场的实际定位结果。
其中，当前车辆是指需要进行自动泊车的无人驾驶车辆。
具体地，停车场场端解析目标停车场地图，并获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值转换为当前车辆在停车场的实际定位结果。
举例说明，由于激光雷达的点云感知定位结果已转换为东北天坐标系下的坐标值，因此激光雷达感知系统输出的目标物坐标值即为目标物的实际定位结果。
上述自动泊车定位方法中，通过获取标定板在东北天坐标系下的数据点集，以及数据点集在激光雷达坐标系下一一对应的点云坐标集；然后将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；再获取平面法向量与地面真实法向量之间的向量误差值，在向量误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云；之后对拼接点云进行预处理，根据预处理后的拼接点云，合成停车场的目标停车场地图；最后获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值，作为当前车辆在停车场的实际定位结果。这样，先获取标定板在东北天坐标系下的数据点集，在采集数据点集的同时，录制激光雷达的点云数据包并从点云数据包中选择出反射率高的标定板角点点云，从而得到数据点集在激光雷达坐标系下一一对应的点云坐标集；然后利用数据点集和点云坐标集之间已知的匹配关系，通过将数据点集和点云坐标集输入预先构建的标定算法处理模型，从而准确得到转换矩阵；再计算出平面法向量与地面真实法向量之间的向量误差值，在向量误差值在预设值范围内的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，并完成点云拼接，从而有效地得到拼接点云；之后对拼接点云进行滤波和分割等预处理操作，并将拼接点云进行矢量化标注处理加工成停车场高精地图，从而精确地得到停车场的目标停车场地图；最后获取当前车辆在目标停车场地图中的坐标值，将其作为当前车辆在停车场的实际定位结果；即采用基于自动驾驶技术的自动泊车定位方法辅助无人驾驶汽车实现自动泊车功能，提高了无人驾驶汽车的智能化程度，且整个泊车的过程无需人工进行操控，从而避免了通过人工操控无人驾驶汽车进行泊车等繁琐的过程，进而提高了无人驾驶汽车的泊车效率。
在一个实施例中，上述步骤S302，在将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵之前，还包括如下内容：获取数据点集与点云坐标集之间的匹配关系；根据匹配关系，构建目标函数模型，作为预先构建的标定算法处理模型。
其中，匹配关系是指数据点集与点云坐标集之间的转换关系。
其中，构建的目标函数模型为
Figure BDA0004073636400000121
其中R为旋转矩阵，t为平移向量，bi为点集B中每个点的坐标，ai为点集A中每个点的坐标。
具体地，停车场场端获取并解析数据点集与点云坐标集之间的匹配关系，得到匹配关系解析结果，根据匹配关系解析结果，利用最小二乘法构建目标函数，将得到的目标函数模型作为预先构建的标定算法处理模型。
举例说明，由于已知点集A和点集B之间的匹配关系，则求解两个点集之间的位姿就是利用最小二乘法构建目标函数，求解最优解。构建的目标函数为：
Figure BDA0004073636400000122
其中R为旋转矩阵，t为平移向量，bi为点集B中每个点的坐标，ai为点集A中每个点的坐标。
首先需要计算点集A和点集B的质心，并去中心化，计算过程如下：
Figure BDA0004073636400000123
Figure BDA0004073636400000124
然后计算点集A和点集B的协方差矩阵S＝QPT，其中Q和P是分别以qi和pi作为列向量的矩阵。对协方差矩阵S进行奇异值分解，S＝U∑VT，则我们求解的旋转矩阵R为：
Figure BDA0004073636400000125
则平移向量t为：
Figure BDA0004073636400000126
本实施例中，通过获取数据点集与点云坐标集之间的匹配关系；根据匹配关系这一客观要素，构建目标函数模型，从而准确地得到预先构建的标定算法处理模型。
在一个实施例中，上述步骤S302，在将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵之后，还包括如下内容：根据点云坐标集和转换矩阵，得到转换后的点云坐标集；
上述步骤S303，获取平面法向量与地面真实法向量之间的向量误差值，具体包括如下内容：分别获取平面法向量与地面真实法向量；平面法向量根据转换后的点云坐标集进行地面拟合得到；根据平面法向量与地面真实法向量，计算平面法向量与地面真实法向量之间的向量误差值。
其中，向量误差值通过将平面法向量与地面真实法向量进行比较得到。
具体地，停车场场端解析点云坐标集和转换矩阵，计算出转换后的点云坐标集；分别获取平面法向量与地面真实法向量，将平面法向量与地面真实法向量进行比较，得到平面法向量与地面真实法向量之间的向量误差值。
举例说明，根据点集B和转换矩阵，得到点集B变换后的点集B’；将转换完成的激光雷达点云进行地面拟合得到平面法向量α1，与地面真实法向量α2进行比较，得到向量误差值；
本实施例中，通过解析点云坐标集和转换矩阵，可以有效得到转换后的点云坐标集；通过分别获取平面法向量与地面真实法向量，将平面法向量与地面真实法向量进行比较，从而准确得到平面法向量与地面真实法向量之间的向量误差值。
在一个实施例中，在根据点云坐标集和转换矩阵，得到转换后的点云坐标集之后，还包括如下内容：根据转换后的点云坐标集和数据点集，计算各个点云的匹配误差值和点集平均匹配误差值；点集平均匹配误差值为变换后的点云坐标集与数据点集之间的平均误差值；
上述步骤S303，在获取平面法向量与地面真实法向量之间的向量误差值之后，还包括如下内容：在向量误差值大于预设值的情况下，从数据点集和点云坐标集中筛选并去除匹配误差值大于点集平均匹配误差值的点云；更新数据点集和点云坐标集，得到更新后的数据点集和点云坐标集，并跳转至将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵的步骤。
其中，点集平均匹配误差值是指变换后的点云坐标集与数据点集之间的平均误差值。
其中，更新数据点集和点云坐标集是指采集新的点云加入数据点集和点云坐标集。
具体地，停车场场端根据转换后的点云坐标集和数据点集，计算得到各个点云的匹配误差值，再根据各个点云的匹配误差值计算出点集平均匹配误差值；将向量误差值与预设值进行比较，在向量误差值大于预设值的情况下，同时从数据点集和点云坐标集中筛选并去除匹配误差值大于点集平均匹配误差值的点云；增加采集新的点云加入数据点集和点云坐标集，得到更新后的数据点集和点云坐标集，并跳转至将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵的步骤。
本实施例中，根据转换后的点云坐标集和数据点集等已知信息，可以分别计算出各个点云的匹配误差值和点集平均匹配误差值；在向量误差值大于预设值的情况下，通过从数据点集和点云坐标集中筛选并去除匹配误差值大于点集平均匹配误差值的点云；并更新数据点集和点云坐标集，得到更新后的数据点集和点云坐标集，从而有效筛除匹配误差值较大的点云，进而增加了对目标车辆定位的准确性。
在一个实施例中，上述步骤S304，根据预处理后的拼接点云，合成停车场的目标停车场地图，具体包括如下内容：将预处理后的拼接点云进行矢量化标注处理，得到目标停车场地图；
上述步骤S304，在根据预处理后的拼接点云，合成停车场的目标停车场地图之后，还包括如下内容：根据目标停车场地图，进行泊车位的选择和全局路径规划，得到当前车辆的目标泊车位信息和全局路径规划信息；将目标泊车位信息和全局路径规划信息，发送至当前车辆。
其中，矢量化标注处理是指就是将目标停车场地图中的栅格数据转换成矢量数据的处理过程。
具体地，停车场场端获取并分析预处理后的拼接点云，得到拼接点云分析结果，根据拼接点云分析结果，将预处理后的拼接点云进行矢量化标注处理加工成目标停车场地图；在目标停车场地图上，获取当前车辆的位置信息，根据当前车辆的位置信息，进行泊车位的选择和全局路径规划，得到当前车辆的目标泊车位信息和全局路径规划信息；并将目标泊车位信息和全局路径规划信息，发送至当前车辆。
举例说明，停车场场端将拼接点云进行矢量化标注处理加工成停车场高精度地图，将此停车场高精度地图作为车辆定位及路径规划的底图使用，利用高精度地图可进行泊车位的选择并进行全局路径规划，全局路径规划的相关信息由场端发送至车端，车端接收后进行车辆轨迹控制。
本实施例中，通过将预处理后的拼接点云进行矢量化标注处理，从而准确得到目标停车场地图；根据目标停车场地图，科学精准地进行泊车位的选择和全局路径规划，得到当前车辆的目标泊车位信息和全局路径规划信息，有利于提高无人驾驶汽车的泊车效率。
在一个实施例中，上述步骤S305，在获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值，作为当前车辆在停车场的实际定位结果之后，还包括如下内容：实时更新当前车辆在停车场的实际定位结果，得到更新后的实际定位结果；根据更新后的实际定位结果，对当前车辆的全局路径规划信息进行跟踪和校准。
其中，实际定位结果是指当前车辆当前时刻在目标停车场地图中的坐标值。
具体地，停车场场端按照预设频率，获取当前车辆在停车场的实际定位结果，将最新得到的数据作为更新后的实际定位结果；根据更新后的实际定位结果，对当前车辆的全局路径规划信息进行实时跟踪和及时校准。
举例说明，停车场场端的激光雷达感知系统通过不断输出泊车车辆的点云定位坐标值，可对该车辆的全局路径规划信息进行实时跟踪及校准。
本实施例中，通过实时更新当前车辆在停车场的实际定位结果，得到更新后的实际定位结果；根据更新后的实际定位结果，对当前车辆的全局路径规划信息进行跟踪和校准，有利于提高无人驾驶汽车泊车的准确率。
在一个实施例中，如图5所示，提供了另一种自动泊车定位方法，具体包括以下步骤：
步骤S501，获取标定板在东北天坐标系下的数据点集，以及数据点集在激光雷达坐标系下一一对应的点云坐标集；数据点集通过移动标定板放置在停车场的不同位置而测量得到；激光雷达坐标系为多激光雷达的感知系统中的坐标系，多激光雷达包括主激光雷达和补盲雷达，主激光雷达的视场角用于覆盖停车场，补盲雷达用于弥补主激光雷达的视场盲区。
步骤S502，获取数据点集与点云坐标集之间的匹配关系；根据匹配关系，构建目标函数模型，作为预先构建的标定算法处理模型。
步骤S503，将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；根据点云坐标集和转换矩阵，得到转换后的点云坐标集。
步骤S504，分别获取平面法向量与地面真实法向量；平面法向量根据转换后的点云坐标集进行地面拟合得到；根据平面法向量与地面真实法向量，计算平面法向量与地面真实法向量之间的向量误差值。
步骤S505，根据转换后的点云坐标集和数据点集，计算各个点云的匹配误差值和点集平均匹配误差值；在向量误差值大于预设值的情况下，从数据点集和点云坐标集中筛选并去除匹配误差值大于点集平均匹配误差值的点云；更新数据点集和点云坐标集，得到更新后的数据点集和点云坐标集，并跳转至将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵的步骤。
步骤S506，在向量误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云；对拼接点云进行预处理，将预处理后的拼接点云进行矢量化标注处理，得到目标停车场地图。
步骤S507，根据目标停车场地图，进行泊车位的选择和全局路径规划，得到当前车辆的目标泊车位信息和全局路径规划信息；将目标泊车位信息和全局路径规划信息，发送至当前车辆。
步骤S508，获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值，作为当前车辆在所述停车场的实际定位结果。
步骤S509，实时更新当前车辆在停车场的实际定位结果，得到更新后的实际定位结果；根据更新后的实际定位结果，对当前车辆的所述全局路径规划信息进行跟踪和校准。
上述自动泊车定位方法中，先获取标定板在东北天坐标系下的数据点集，在采集数据点集的同时，录制激光雷达的点云数据包并从点云数据包中选择出反射率高的标定板角点点云，从而得到数据点集在激光雷达坐标系下一一对应的点云坐标集；然后获取数据点集与点云坐标集之间的匹配关系，根据匹配关系，准确地构建目标函数模型，作为预先构建的标定算法处理模型；通过将数据点集和点云坐标集输入预先构建的标定算法处理模型，从而准确得到转换矩阵；根据点云坐标集和转换矩阵等已知信息，计算得到转换后的点云坐标集；再分别获取平面法向量与地面真实法向量，根据平面法向量与地面真实法向量，计算得到平面法向量与地面真实法向量之间的向量误差值；在向量误差值大于预设值的情况下，从数据点集和点云坐标集中筛选并去除匹配误差值大于点集平均匹配误差值的点云；更新数据点集和点云坐标集，得到更新后的数据点集和点云坐标集，并跳转至将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵的步骤，从而有效筛除匹配误差值较大的点云，进而增加了对目标车辆定位的准确性；在向量误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云；对拼接点云进行预处理，将预处理后的拼接点云进行矢量化标注处理，从而精确地得到目标停车场地图；根据目标停车场地图，进行泊车位的选择和全局路径规划，得到当前车辆的目标泊车位信息和全局路径规划信息，并将该信息发送至当前车辆，有利于提高无人驾驶汽车的泊车效率；获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值，作为当前车辆在所述停车场的实际定位结果；实时更新当前车辆在停车场的实际定位结果，得到更新后的实际定位结果；根据更新后的实际定位结果，对当前车辆的所述全局路径规划信息进行跟踪和校准，有利于提高无人驾驶汽车泊车的准确率；该自动泊车定位方法采用了基于自动驾驶技术的自动泊车定位方法辅助无人驾驶汽车实现自动泊车功能，提高了无人驾驶汽车的智能化程度，且整个泊车的过程无需人工进行操控，从而避免了通过人工操控无人驾驶汽车进行泊车等繁琐的过程，进而提高了无人驾驶汽车的泊车效率。
为了更清晰阐明本申请实施例提供的自动泊车定位方法，以下以一个具体的实施例对该自动泊车定位方法进行具体说明。在一个实施例中，如图6所示，本申请还提供了又一种自动泊车定位方法，具体包括以下步骤：
步骤S1：用手持RTK获取标定板在东北天坐标系下的数据点集A。
步骤S2：获取数据点集A对应的激光雷达坐标系下的点云坐标集B。
步骤S3：将数据点集A与点云坐标集B对应，通过标定算法计算转换矩阵及点集匹配误差值。
步骤S4：将转换完成的激光雷达点云进行地面拟合得到平面法向量α1，与地面真实法向量α2进行比较。
步骤S5：去掉点集中匹配误差值较低的点云，并增加采集新的点加入点集A和B中。
步骤S6：将转换矩阵写入对应的激光雷达，将多激光雷达的点云均转换到东北天坐标系下，完成点云拼接。
步骤S7：对拼接点云进行预处理。
步骤S8：将处理后的拼接点云加工成高精度地图，利用高精度地图进行全局路径规划。
步骤S9：激光雷达感知系统输出的目标物坐标值作为定位结果。
上述自动泊车定位方法中，先用手持RTK获取标定板在东北天坐标系下的数据点集A，在采集数据点集的同时，录制激光雷达的点云数据包并从点云数据包中选择出反射率高的标定板角点点云，从而得到数据点集A对应的激光雷达坐标系下的点云坐标集B；然后将数据点集A与点云坐标集B对应，通过标定算法计算转换矩阵及点集匹配误差值；再将转换完成的激光雷达点云进行地面拟合得到平面法向量α1，与地面真实法向量α2进行比较；在误差不在阈值内的情况下，去掉点集中匹配误差值较低的点云，并增加采集新的点加入点集A和B中，从而提高了泊车定位的准确率；在误差在阈值内的情况下，将转换矩阵写入对应的激光雷达，将多激光雷达的点云均转换到东北天坐标系下，完成点云拼接，从而有效地得到拼接点云；之后对拼接点云进行预处理，将预处理后的拼接点云加工成高精度地图，利用高精度地图进行全局路径规划；最后，激光雷达感知系统输出的目标物坐标值作为定位结果；即采用基于自动驾驶技术的自动泊车定位方法辅助无人驾驶汽车实现自动泊车功能，提高了无人驾驶汽车的智能化程度，且整个泊车的过程无需人工进行操控，从而避免了通过人工操控无人驾驶汽车进行泊车等繁琐的过程，进而提高了无人驾驶汽车的泊车效率。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的自动泊车定位方法的自动泊车定位装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个自动泊车定位装置实施例中的具体限定可以参见上文中对于自动泊车定位方法的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种自动泊车定位装置，包括：信息获取模块701、信息处理模块702、点云拼接模块703、地图合成模块704和结果获取模块705，其中：
信息获取模块701，用于获取标定板在东北天坐标系下的数据点集，以及数据点集在激光雷达坐标系下一一对应的点云坐标集；数据点集通过移动标定板放置在停车场的不同位置而测量得到；激光雷达坐标系为多激光雷达的感知系统中的坐标系，多激光雷达包括主激光雷达和补盲雷达，主激光雷达的视场角用于覆盖停车场，补盲雷达用于弥补主激光雷达的视场盲区。
信息处理模块702，用于将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；标定算法处理模型为根据数据点集与点云坐标集之间的匹配关系构建的模型。
点云拼接模块703，用于获取平面法向量与地面真实法向量之间的误差值，在误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云。
地图合成模块704，用于对拼接点云进行预处理，根据预处理后的拼接点云，合成停车场的目标停车场地图。
结果获取模块705，用于获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值，作为当前车辆在停车场的实际定位结果。
在一个实施例中，自动泊车定位装置还包括模型构建模块，用于获取数据点集与点云坐标集之间的匹配关系；根据匹配关系，构建目标函数模型，作为预先构建的标定算法处理模型。
在一个实施例中，自动泊车定位装置还包括转换计算模块，用于根据点云坐标集和转换矩阵，得到转换后的点云坐标集。
点云拼接模块703，还用于分别获取平面法向量与地面真实法向量；平面法向量根据转换后的点云坐标集进行地面拟合得到；根据平面法向量与地面真实法向量，计算平面法向量与地面真实法向量之间的向量误差值。
在一个实施例中，自动泊车定位装置还包括误差计算模块，用于根据转换后的点云坐标集和数据点集，计算各个点云的匹配误差值和点集平均匹配误差值；点集平均匹配误差值为变换后的点云坐标集与数据点集之间的平均误差值。
自动泊车定位装置还包括点集更新模块，用于在向量误差值大于预设值的情况下，从数据点集和点云坐标集中筛选并去除匹配误差值大于点集平均匹配误差值的点云；更新数据点集和点云坐标集，得到更新后的数据点集和点云坐标集，并跳转至将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵的步骤。
在一个实施例中，地图合成模块704，还用于将预处理后的拼接点云进行矢量化标注处理，得到目标停车场地图。
自动泊车定位装置还包括路径规划模块，用于根据目标停车场地图，进行泊车位的选择和全局路径规划，得到当前车辆的目标泊车位信息和全局路径规划信息；将目标泊车位信息和全局路径规划信息，发送至当前车辆。
在一个实施例中，自动泊车定位装置还包括信息更新模块，用于实时更新当前车辆在停车场的实际定位结果，得到更新后的实际定位结果；根据更新后的实际定位结果，对当前车辆的全局路径规划信息进行跟踪和校准。
上述自动泊车定位装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种自动泊车定位方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取标定板在东北天坐标系下的数据点集，以及数据点集在激光雷达坐标系下一一对应的点云坐标集；数据点集通过移动标定板放置在停车场的不同位置而测量得到；激光雷达坐标系为多激光雷达的感知系统中的坐标系，多激光雷达包括主激光雷达和补盲雷达，主激光雷达的视场角用于覆盖停车场，补盲雷达用于弥补主激光雷达的视场盲区；
将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；标定算法处理模型为根据数据点集与点云坐标集之间的匹配关系构建的模型；
获取平面法向量与地面真实法向量之间的向量误差值，在向量误差值小于预设值的情况下，根据转换矩阵，将多激光雷达的点云转换到东北天坐标系下，得到拼接点云；
对拼接点云进行预处理，根据预处理后的拼接点云，合成停车场的目标停车场地图；
获取当前车辆在目标停车场地图中的坐标值，将当前车辆的坐标值，作为当前车辆在停车场的实际定位结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取数据点集与点云坐标集之间的匹配关系；根据匹配关系，构建目标函数模型，作为预先构建的标定算法处理模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据点云坐标集和转换矩阵，得到转换后的点云坐标集；分别获取平面法向量与地面真实法向量；平面法向量根据转换后的点云坐标集进行地面拟合得到；根据平面法向量与地面真实法向量，计算平面法向量与地面真实法向量之间的向量误差值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据转换后的点云坐标集和数据点集，计算各个点云的匹配误差值和点集平均匹配误差值；点集平均匹配误差值为变换后的点云坐标集与数据点集之间的平均误差值；在向量误差值大于预设值的情况下，从数据点集和点云坐标集中筛选并去除匹配误差值大于点集平均匹配误差值的点云；更新数据点集和点云坐标集，得到更新后的数据点集和点云坐标集，并跳转至将数据点集和点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵的步骤。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：将预处理后的拼接点云进行矢量化标注处理，得到目标停车场地图；根据目标停车场地图，进行泊车位的选择和全局路径规划，得到当前车辆的目标泊车位信息和全局路径规划信息；将目标泊车位信息和全局路径规划信息，发送至当前车辆。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：实时更新当前车辆在停车场的实际定位结果，得到更新后的实际定位结果；根据更新后的实际定位结果，对当前车辆的全局路径规划信息进行跟踪和校准。
在一个实施例中，提供了一种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上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种自动泊车定位方法，其特征在于，所述方法包括：
获取标定板在东北天坐标系下的数据点集，以及所述数据点集在激光雷达坐标系下一一对应的点云坐标集；所述数据点集通过移动所述标定板放置在停车场的不同位置而测量得到；所述激光雷达坐标系为多激光雷达的感知系统中的坐标系，所述多激光雷达包括主激光雷达和补盲雷达，所述主激光雷达的视场角用于覆盖所述停车场，所述补盲雷达用于弥补所述主激光雷达的视场盲区；
将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；所述标定算法处理模型为根据所述数据点集与所述点云坐标集之间的匹配关系构建的模型；
获取平面法向量与地面真实法向量之间的向量误差值，在所述向量误差值小于预设值的情况下，根据所述转换矩阵，将所述多激光雷达的点云转换到所述东北天坐标系下，得到拼接点云；
对所述拼接点云进行预处理，根据预处理后的拼接点云，合成所述停车场的目标停车场地图；
获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果。
2.根据权利要求1所述的方法，其特征在于，在将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵之前，还包括：
获取所述数据点集与所述点云坐标集之间的匹配关系；
根据所述匹配关系，构建目标函数模型，作为所述预先构建的标定算法处理模型。
3.根据权利要求1所述的方法，其特征在于，在将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵之后，还包括：
根据所述点云坐标集和所述转换矩阵，得到转换后的点云坐标集；
所述获取平面法向量与地面真实法向量之间的向量误差值，包括：
分别获取所述平面法向量与所述地面真实法向量；所述平面法向量根据所述转换后的点云坐标集进行地面拟合得到；
根据所述平面法向量与所述地面真实法向量，计算所述平面法向量与地面真实法向量之间的向量误差值。
4.根据权利要求3所述的方法，其特征在于，在根据所述点云坐标集和所述转换矩阵，得到转换后的点云坐标集之后，还包括：
根据所述转换后的点云坐标集和所述数据点集，计算各个点云的匹配误差值和点集平均匹配误差值；所述点集平均匹配误差值为所述变换后的点云坐标集与所述数据点集之间的平均误差值；
在获取平面法向量与地面真实法向量之间的向量误差值之后，还包括：
在所述向量误差值大于所述预设值的情况下，从所述数据点集和所述点云坐标集中筛选并去除匹配误差值大于所述点集平均匹配误差值的点云；
更新所述数据点集和所述点云坐标集，得到更新后的数据点集和点云坐标集，并跳转至所述将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵的步骤。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述根据预处理后的拼接点云，合成所述停车场的目标停车场地图，包括：
将所述预处理后的拼接点云进行矢量化标注处理，得到所述目标停车场地图；
在根据预处理后的拼接点云，合成所述停车场的目标停车场地图之后，还包括：
根据所述目标停车场地图，进行泊车位的选择和全局路径规划，得到所述当前车辆的目标泊车位信息和全局路径规划信息；
将所述目标泊车位信息和所述全局路径规划信息，发送至所述当前车辆。
6.根据权利要求5所述的方法，其特征在于，在获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果之后，还包括：
实时更新所述当前车辆在所述停车场的实际定位结果，得到更新后的实际定位结果；
根据所述更新后的实际定位结果，对所述当前车辆的所述全局路径规划信息进行跟踪和校准。
7.一种自动泊车定位装置，其特征在于，所述装置包括：
信息获取模块，用于获取标定板在东北天坐标系下的数据点集，以及所述数据点集在激光雷达坐标系下一一对应的点云坐标集；所述数据点集通过移动所述标定板放置在停车场的不同位置而测量得到；所述激光雷达坐标系为多激光雷达的感知系统中的坐标系，所述多激光雷达包括主激光雷达和补盲雷达，所述主激光雷达的视场角用于覆盖所述停车场，所述补盲雷达用于弥补所述主激光雷达的视场盲区；
信息处理模块，用于将所述数据点集和所述点云坐标集输入预先构建的标定算法处理模型，得到转换矩阵；所述标定算法处理模型为根据所述数据点集与所述点云坐标集之间的匹配关系构建的模型；
点云拼接模块，用于获取平面法向量与地面真实法向量之间的误差值，在所述误差值小于预设值的情况下，根据所述转换矩阵，将所述多激光雷达的点云转换到所述东北天坐标系下，得到拼接点云；
地图合成模块，用于对所述拼接点云进行预处理，根据预处理后的拼接点云，合成所述停车场的目标停车场地图；
结果获取模块，用于获取当前车辆在所述目标停车场地图中的坐标值，将所述当前车辆的坐标值，作为所述当前车辆在所述停车场的实际定位结果。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，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权利要求1至6中任一项所述的方法的步骤。
CN202310067291.5A 2023-01-12 2023-01-12 自动泊车定位方法、装置、计算机设备和存储介质 Pending CN116359941A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310067291.5A CN116359941A (zh) 2023-01-12 2023-01-12 自动泊车定位方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310067291.5A CN116359941A (zh) 2023-01-12 2023-01-12 自动泊车定位方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN116359941A true CN116359941A (zh) 2023-06-30

Family

ID=86905352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310067291.5A Pending CN116359941A (zh) 2023-01-12 2023-01-12 自动泊车定位方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN116359941A (zh)

Similar Documents

Publication Publication Date Title
CN109682381B (zh) 基于全向视觉的大视场场景感知方法、系统、介质及设备
US11417017B2 (en) Camera-only-localization in sparse 3D mapped environments
EP2993490B1 (en) Operating device, operating method, and program therefor
CN110163064B (zh) 一种道路标志物的识别方法、装置及存储介质
AU2018450490B2 (en) Surveying and mapping system, surveying and mapping method and device, and apparatus
CN109901139A (zh) 激光雷达标定方法、装置、设备和存储介质
CN110386142A (zh) 用于自动驾驶车辆的俯仰角校准方法
CN109031269B (zh) 基于毫米波雷达的定位方法、系统、设备及存储介质
CN104167109B (zh) 车辆位置的检测方法和检测装置
CN110764111A (zh) 雷达坐标与大地坐标的转换方法、装置、系统及介质
US11587446B2 (en) Method and system for generating aerial imaging flight path
CN112379352B (zh) 一种激光雷达标定方法、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
EP3885702A1 (en) Surveying and mapping system, surveying and mapping method, apparatus, device and medium
CN111080682A (zh) 点云数据的配准方法及装置
CN116106870A (zh) 车辆激光雷达外参的标定方法和装置
US20210156710A1 (en) Map processing method, device, and computer-readable storage medium
AU2018450016A1 (en) Method and apparatus for planning sample points for surveying and mapping, control terminal and storage medium
AU2018450271B2 (en) Operation control system, and operation control method and device
CN116359941A (zh) 自动泊车定位方法、装置、计算机设备和存储介质
CN110853098A (zh) 机器人定位方法、装置、设备及存储介质
CN115830073A (zh) 地图要素重建方法、装置、计算机设备和存储介质
CN115460539A (zh) 一种获取电子围栏的方法、设备、介质及程序产品
CN114814875A (zh) 一种机器人定位建图方法、装置、可读存储介质及机器人
CN117036511B (zh) 多类型传感器的标定方法、装置、计算机设备和存储介质

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