CN117055014A - 无目标的单轴激光雷达转台全自由度位姿自动标定方法 - Google Patents
无目标的单轴激光雷达转台全自由度位姿自动标定方法 Download PDFInfo
- Publication number
- CN117055014A CN117055014A CN202310812102.2A CN202310812102A CN117055014A CN 117055014 A CN117055014 A CN 117055014A CN 202310812102 A CN202310812102 A CN 202310812102A CN 117055014 A CN117055014 A CN 117055014A
- Authority
- CN
- China
- Prior art keywords
- laser radar
- point cloud
- matrix
- motor
- coordinate system
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims abstract description 109
- 238000006243 chemical reaction Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims description 17
- 238000013519 translation Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 abstract description 4
- 230000033001 locomotion Effects 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明公开了一种无目标的单轴激光雷达转台全自由度位姿自动标定方法，包括以下步骤：将采集到的激光雷达点云和电机角度进行时间对齐；采用位姿转换矩阵，将激光雷达点云数据转换至电机转子坐标系下；使用电机角度读数将电机转子坐标系下的激光雷达点云数据转换到电机的0度定子坐标系上，使用转换后的激光雷达点云数据注册全局点云，得到完整的稠密点云地图。本发明公开的无目标的单轴激光雷达转台全自由度位姿自动标定方法，能够将激光雷达点云数据精确地转换到电机的0度定子坐标系上，从而提高点云地图构建精度。
Description
技术领域
本发明涉及一种无目标的单轴激光雷达转台全自由度位姿自动标定方法，属于三维重建技术领域。
背景技术
激光雷达已经被广泛应用于矿山测绘，地下空间探测，其相比于利用视觉传感器基于SFM(Structure From Motion)技术等的感知方案，具有能够主动测量环境三维信息，准确性高等优点，但是激光雷达也很明显的缺陷，为了更好地感知环境，获取丰富信息，需要增加扫描线束，但是这也不可避免地使成本剧增。因此在测绘领域，逐步开始发展利用电机驱动低线束激光雷达的旋转的方案，弥补了低线束激光雷达分辨率低，垂直视场受限的问题。
在公开号为CN107462897A、CN113570715A的中国专利中，分别使用二维和三维的激光雷达与电机以及惯性传感器完成三维建图，但是由于估计的运动中耦合了电机的持续转动，导致建图精度不高并且在线面特征不足的地方很容易出现匹配失败的情况。申请号为CN202211454844的中国发明专利中，提出了一种融合带动激光雷达旋转的电机的角度信息的方案，首先根据手眼标定原理计算出三维激光雷达和电机各坐标系之间的位姿转换矩阵，再将基于雷达坐标系的激光雷达点云数据转换到电机的0度坐标系上，这种方法明显提高了建图精度和鲁棒性，但是该方法需要首先使用三维激光雷达点云数据计算出三维激光雷达的运动，这种方法需要移动激光雷达基座做一些复杂运动才能有足够的观测进行参数，否则手眼标定结果容易不收敛，并且激光雷达运动估计不准确也会导致参数估计不准确。在论文[测量对旋转二维激光雷达进行全自由度校准Full-DOF Calibration of aRotating 2-D LIDAR With aSimple Plane Measurement]中，提出了一个利用环境中已知平面来估计该6D位姿转换矩阵，但是为了标定准确性，需要移动该平面使其在空间，这导致了繁琐的标定流程。在[雷达内部参数的自动校准Automatic Calibration of SpinningActuated Lidar Internal Parameters]中，提出了直接估计的方法，使用人造环境中自然存在的墙壁、屋顶等平面进行标定，然而其只标定了4个自由度，并且使用欧拉角作为优化的参数，这种方法可能在不同坐标系定义中出现奇点，并且如果方向偏差很大，可能需要粗略的初始化。
因此，有必要对现有的三维重建方法进一步研究，以解决上述问题。
发明内容
为了克服上述问题，本发明人进行了深入研究，提供了一种无目标的单轴激光雷达转台全自由度位姿自动标定方法，包括以下步骤：
S1、将采集到的激光雷达点云和电机角度进行时间对齐；
S2、获取位姿转换矩阵，采用位姿转换矩阵将激光雷达点云数据转换至电机转子坐标系下；
S3、将电机转子坐标系下的激光雷达点云数据转换到电机的0度定子坐标系上；
S4、使用转换后的激光雷达点云数据注册全局点云，得到完整的稠密点云地图。
在一个优选的实施方式中，在S1中，采集激光雷达点云和电机的角度的连续数据，通过时序线性插值获取激光雷达点云对应转台的转角，进而实现激光雷达点云和电机角度的时间对齐。
在一个优选的实施方式中，S2中，所述位姿转换矩阵的获取，包括以下子步骤：
S21、采用数据中前x个激光雷达点构建初始地图及KD树；
S22、在数据其余激光雷达点中筛选出特征点；
S23、采用特征点构建匹配误差，获得总误差函数；
S24、根据总误差函数，获取位姿转换矩阵。
在一个优选的实施方式中，S22中，对于其余激光雷达点中的任意一个，在KD树中寻找该激光雷达点的多个最近邻点，构建近邻矩阵；
使用奇异值分解近邻矩阵，获得对角矩阵和V矩阵，若对角矩阵中最小元对应的V矩阵的列向量v，与近邻矩阵中任意元素的乘积小于阈值，则该激光雷达点为特征点。
在一个优选的实施方式中，S23中，根据KD树获取特征点对应的特征平面，将特征点到特征平面的距离作为匹配误差。
在一个优选的实施方式中，对于特征点，在KD树中寻找其的多个最近邻点，多个最近邻点构成与该特征点匹配的特征平面，多个最近邻点的均值为该特征平面的中心，该特征点pci的匹配误差e(pci)表示为：
其中，v为特征点对角矩阵中最小元对应的V矩阵的列向量，pmean表示特征平面的中心,pci表示不同的特征点。
在一个优选的实施方式中，S24中，获取总误差函数的雅克比矩阵，采用高斯牛顿法求解获得位姿转换矩阵。
在一个优选的实施方式中，总误差函数的雅克比矩阵为：
其中，为匹配误差e(pci)的对应的雅克比矩阵。
匹配误差e(pci)的对应的雅克比矩阵表示为:
vx＝v·Rx(θ)
其中，θ为与该特征点激光雷达点云对应的电机角度，表示电机转子坐标系与激光雷达坐标系之间的三维旋转矩阵，/>表示电机转子坐标系与激光雷达坐标系之间的三维平移向量，上标∧表示将三维向量变成一个反对称的三维度矩阵。
在一个优选的实施方式中，在S2中，还设置步骤S25、采用位姿转换矩阵将激光雷达点云数据转换到电机的转子坐标系上，将转换后的激光雷达点云数据替代原激光雷达点云数据，多次重复步骤S21～S24，获得最优位姿转换矩阵，采用最优位姿转换矩阵替代原位姿转换矩阵。
本发明所具有的有益效果包括：
(1)能够将激光雷达点云数据精确地转换到电机的0度定子坐标系上，从而提高地图构建精度；
(2)转化过程简单，运算量低，转化精度高。
附图说明
图1示出根据本发明一种优选实施方式的无目标的单轴激光雷达转台全自由度位姿自动标定方法流程示意图；
图2示出实施例1中获得的地图；
图3示出对比例1中获得的地图；
图4示出实验例1中里程计X轴误差对比；
图5示出实验例1中里程计X轴误差对比；
图6示出实验例1中里程计X轴误差对比。
具体实施方式
下面通过附图和实施例对本发明进一步详细说明。通过这些说明，本发明的特点和优点将变得更为清楚明确。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
根据本发明提供的一种无目标的单轴激光雷达转台全自由度位姿自动标定方法，如图1所示，包括以下步骤：
S1、将采集到的激光雷达点云和电机角度进行时间对齐；
S2、获取位姿转换矩阵，采用位姿转换矩阵将激光雷达点云数据转换至电机转子坐标系下；
S3、将电机转子坐标系下的激光雷达点云数据转换到电机的0度定子坐标系上；
S4、使用转换后的激光雷达点云数据注册全局点云，得到完整的稠密点云地图。
激光雷达点云的采集频率和电机角度的采集频率一般是不同的，例如，电机角度的采集频率为200Hz，激光雷达的采集频率为10Hz，这就导致激光雷达点云数据和电机角度数据缺乏同样的时间尺度。
所述时间对齐是指获得同一时间的激光雷达点云、电机角度数据。
在S1中，采集激光雷达点云和电机的角度的连续数据，通过时序线性插值获取激光雷达点云对应转台的转角，进而实现激光雷达点云和电机角度的时间对齐。
具体地，连续采集m个不同时刻电机的角度，表示为{{t′0，θ0}，{t′1，θ1}，...，{t′m.θm}}，其中，｛t′0，t′1，...，t′m}表示不同的时刻，{θ0，θ1，...，θm}表示不同时刻下采集到的电机角度，
采集n个不同时刻激光雷达点云，表示为{{t0，P0}，{t1，P1}，…，{tn，Pn}}，其中{P0，P1，...，Pn}表示不同时刻下采集到的激光雷达点云。
进一步地，S1中，当在t0时刻激光雷达点云之前，或tn时刻激光雷达点云之后不能够采集到电机的角度值，且θk-θk-1＜-340°时，采用线性外插法获得tj时刻转台对应的电机角度θj，其中，j＝0，1，…，n；
所述线性外插法获得tj时刻的转台对应的电机角度θj表示为：
其中，t′k表示第k时刻电机角度对应的时间，0≤k≤m，t′k-1≤tj≤t′k。
否则，采用线性内插法获得tj时刻转台对应的电机角度θj，所述线性内插法获得tj时刻的转台对应电机角度θj表示为：
S1中，获得的时间对齐的激光雷达点云和电机角度的数据为{{t0，θ0，P0}，{t1，θ1，P1}，…，{tn，θn，Pn}}。
根据本发明，电机定子坐标系、电机转子坐标系和激光雷达坐标系之间的关系表示为：
其中，表示电机定子坐标系和电机转子坐标系之间的转移矩阵，/>表示电机转子坐标系与激光雷达坐标系之间的6D位姿关系，/>由三维旋转矩阵/>和三维平移向量组成，/>表示电机转子坐标系与激光雷达坐标系之间的位姿关系。
由于电机定子坐标系和电机转子坐标系之间只相差了电机主动转动的角度，故
其中，
则激光雷达点云数据在电机定子坐标系下表示为：
其中，表示在电机定子坐标系下的激光雷达点云数据，pL表示激光雷达点云数据。
因此，值需要先将激光雷达点云数据转换至电机转子坐标系下，再通过电机定子坐标系和电机转子坐标系之间的转移矩阵即可将激光雷达点云数据转换至电机定子坐标系上，获得激光雷达点云数据在0度定子坐标系上的表达。
S2中，转换后的时间对齐数据可以表示为：
其中，表示t0时刻电机定子坐标系下的激光雷达点云数据。
激光雷达运动估计准确性是影响建图精度的主要因素，在本发明中，通过位姿转换矩阵实现对激光雷达运动估计，因此，如何获得能够准确描述激光雷达在电机定子坐标系下运动的位姿转换矩阵是本发明的难点所在。
在本发明中，S2中，所述位姿转换矩阵的获取，包括以下子步骤：
S21、采用数据中前x个激光雷达点构建初始地图及KD树；
S22、在数据其余激光雷达点中筛选出特征点；
S23、采用特征点构建匹配误差，获得总误差函数；
S24、根据总误差函数，获取位姿转换矩阵。
S21中，对初始地图的构建方法不做限定，本领域技术人员可采用任意一种已知的构建方式。
KD树(k-dimensional树)，是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构，广泛应用于计算机科学中。
在本发明中，x为小于激光雷达点云总数n的值，表示为x＜n；前x个激光雷达点，表示为0≤i＜x，也可以表示为pmap。
S22中，对于其余激光雷达点中的任意一个，在KD树中寻找激光雷达点的多个最近邻点，构建近邻矩阵；
使用奇异值分解近邻矩阵，获得对角矩阵和V矩阵，若对角矩阵中最小元对应的V矩阵的列向量v，与近邻矩阵中任意元素的乘积小于阈值，则该激光雷达点为特征点。
奇异值分解为线性代数中的一种分解形式，可将矩阵分解为U、V向量，在本发明中，近邻矩阵的奇异值分解可以表示为
其中，A表示近邻矩阵，U、V为奇异分解中的正交矩阵。
优选地，所述多个最近邻点为5个，优选地，所述阈值为0.1。
例如，对于其余的激光雷达点，表示为x≤i≤n，也可以表示为pglobal；
在KD树中寻找pglobal的5个最近邻点{pa，pb，pc，pd，pe}，构建一个5×3的矩阵A，
使用奇异值分解，使得S＝diag(σ1，σ2，σ3)。
其中，S为对角元素为(σ1，σ2，σ3)的3阶对角矩阵，取S中最小元对应的V的列向量为v，如果对于任意p∈{pa，pb，pc，pd，pe}，满足p·v＜0.1，则认为激光雷达点是特征点，否则，将该激光雷达点/>删除。
S23中，根据KD树获取特征点对应的特征平面，将特征点到特征平面的距离作为匹配误差。
具体地，对于特征点，在KD树中寻找其的多个最近邻点，多个最近邻点构成与该特征点匹配的特征平面，多个最近邻点的均值为该特征平面的中心，该特征点pci的匹配误差e(pci)表示为：
其中，v为特征点对角矩阵中最小元对应的V矩阵的列向量，pmean表示特征平面的中心，pci表示不同的特征点。
所述总误差函数为所有特征点的匹配误差函数的矩阵，表示为：
f＝[e(pc0)，…，e(pci)，…，e(pcN)]T
其中，pci表示第i个特征点，cN表示特征点的总数，
S24中，获取总误差函数的雅克比矩阵，采用高斯牛顿法求解获得位姿转换矩阵。
具体地，总误差函数的雅克比矩阵为：
其中，为匹配误差e(pci)的对应的雅克比矩阵。
vx＝v·Rx(θ)
其中，θ为与该特征点激光雷达点云对应的电机角度，表示电机转子坐标系与激光雷达坐标系之间的三维旋转矩阵，/>表示电机转子坐标系与激光雷达坐标系之间的三维平移向量，上标∧表示将3维向量变成一个反对称的3维度矩阵。
进一步地，通过高斯牛顿法求解增量方程
得到δξ，则有
通过多次迭代，当满足收敛条件时，取最后一次迭代的结果为位姿转换矩阵。
优选地，所述收敛条件设置为||δξ||＜0.16。
在一个优选的实施方式中，在S2中，还设置步骤S25，采用位姿转换矩阵将激光雷达点云数据转换到电机的转子坐标系上，将转换后的激光雷达点云数据替代原激光雷达点云数据，多次重复步骤S21～S24，获得最优位姿转换矩阵，采用最优位姿转换矩阵替代原位姿转换矩阵，实现将激光雷达坐标系中的激光雷达点云数据转换到电机的转子坐标系上。
由于在构建KD树过程中使用的初始值为设定值，这会导致S24中优化最后一次迭代的结果不准确，S25中，使用优化后位姿转换矩阵获得新的激光雷达点云数据，替代原始数据，重新构建KD树，并进行重新估计，直到达到设定的收敛次数，获得最优位姿转换矩阵。通过该种方式降低位姿转换矩阵对初值的依赖。
S3中，采用电机定子坐标系和电机转子坐标系之间的转移矩阵根据电机角度读数，将电机转子坐标系下的激光雷达点云数据转换到电机的0度定子坐标系，具体转换过程在本发明中不做赘述，本领域技术人员可根据经验进行。
S4中，具体获得稠密点云地图的方法在本发明中不做限制，本领技术人员可根据实际需要才采用任何一种已知的方式进行，例如采用申请号为CN202211454844的中国发明专利中公开的方式进行。
实施例
实施例1
采用激光雷达扫描仪对某区域进行建图实验，扫描仪前部搭载了直流无刷电机，可通过控制器与电机间的控制指令和状态数据可实现双向交互，实时获取电机的角度等信息。直流电机驱动前部转台转动，转台上搭载了16线3D激光雷达,随转台进行360°循环旋转。
采用以下方式进行标定：
S1、将采集到的激光雷达点云和电机角度进行时间对齐；
S2、获取位姿转换矩阵，采用位姿转换矩阵将激光雷达点云数据转换至电机转子坐标系下；
S3、将电机转子坐标系下的激光雷达点云数据转换到电机的0度定子坐标系上；
S4、使用转换后的激光雷达点云数据注册全局点云，得到完整的稠密点云地图。
在S1中，采集激光雷达点云和电机的角度的连续数据，通过时序线性插值获取激光雷达点云对应转台的转角，进而实现激光雷达点云和电机角度的时间对齐。
在S1中，共获得50组时间对齐的数据。
S2包括以下子步骤：
S21、采用数据中前x个激光雷达点构建初始地图及KD树；
S22、在数据其余激光雷达点中筛选出特征点；
S23、采用特征点构建匹配误差，获得总误差函数；
S24、根据总误差函数，获取优化后位姿转换矩阵。
S21中，x为30。
S22中，对于其余激光雷达点中的任意一个，在KD树中寻找该激光雷达点的5个最近邻点，构建近邻矩阵；
使用奇异值分解近邻矩阵，获得对角矩阵和V矩阵，若对角矩阵中最小元对应的V矩阵的列向量v，与近邻矩阵中任意元素的乘积小于0.1，则该激光雷达点为特征点。
S23中，根据KD树获取特征点对应的特征平面，将特征点到特征平面的距离作为匹配误差。
对于特征点，在KD树中寻找其的多个最近邻点，多个最近邻点构成与该特征点匹配的特征平面，多个最近邻点的均值为该特征平面的中心，该特征点pci的匹配误差e(pci)表示为：
其中，v为特征点对角矩阵中最小元对应的V矩阵的列向量，pmean表示特征平面的中心，pci表示不同的特征点。
S24中，获取总误差函数的雅克比矩阵，采用高斯牛顿法求解获得位姿转换矩阵。
总误差函数的雅克比矩阵为：
其中，为匹配误差e(pci)的对应的雅克比矩阵。
匹配误差e(pci)的对应的雅克比矩阵表示为：
vx＝v·Rx(θ)
S24之后，还设置步骤S25，采用优化后位姿转换矩阵将激光雷达点云数据转换到电机的转子坐标系上，将转换后的激光雷达点云数据替代原激光雷达点云数据，10次重复步骤S21～S24，获得最优位姿转换矩阵。
获得的最优位姿转换矩阵为：
最终获得的地图如图2所示。
对比例1
采用与实施例1相同的设备，直接采用扫描的原始激光雷达点云数据构建点云地图，最终获得的地图如图3所示。
对比图2、图3，可以看出，图3中存在明显的重叠(亦或称“鬼影”)现象，而图2中无明显的重叠现象。
实验例1
采用对比例1中获得的原始激光雷达点云数据和实施例1中步骤S3获得的转换后的激光雷达点云数据，分别传递至相同的激光雷达惯性里程计，通过评估里程计的误差，反应激光雷达点云数据的准确度。
里程计的误差结果如图4～6所示，其中，图4示出了里程计X轴误差对比，图5示出了里程计Y轴误差对比，图6示出了里程计Z轴误差对比。
从图上可以看出，实施例1中获得的激光雷达点云数据，相比于对比例1中的原始数据，能够明显降低里程计的误差，更有利于激光惯性里程计定位。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“前”、“后”等指示的方位或位置关系为基于本发明工作状态下的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”“相连”“连接”应作广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体的连接普通；可以是机械连接，也可以是电连接；可以是直接连接，也可以通过中间媒介间接连接，可以是两个元件内部的连通。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中的具体含义。
以上结合了优选的实施方式对本发明进行了说明，不过这些实施方式仅是范例性的，仅起到说明性的作用。在此基础上，可以对本发明进行多种替换和改进，这些均落入本发明的保护范围内。
Claims (10)
1.无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，包括以下步骤：
S1、将采集到的激光雷达点云和电机角度进行时间对齐；
S2、获取位姿转换矩阵，采用位姿转换矩阵将激光雷达点云数据转换至电机转子坐标系下；
S3、将电机转子坐标系下的激光雷达点云数据转换到电机的0度定子坐标系上；
S4、使用转换后的激光雷达点云数据注册全局点云，得到完整的稠密点云地图。
2.根据权利要求1所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
在S1中，采集激光雷达点云和电机的角度的连续数据，通过时序线性插值获取激光雷达点云对应转台的转角，进而实现激光雷达点云和电机角度的时间对齐。
3.根据权利要求1所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
S2中，所述位姿转换矩阵的获取，包括以下子步骤：
S21、采用数据中前x个激光雷达点构建初始地图及KD树；
S22、在数据其余激光雷达点中筛选出特征点；
S23、采用特征点构建匹配误差，获得总误差函数；
S24、根据总误差函数，获取位姿转换矩阵。
4.根据权利要求3所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
S22中，对于其余激光雷达点中的任意一个，在KD树中寻找该激光雷达点的多个最近邻点，构建近邻矩阵；
使用奇异值分解近邻矩阵，获得对角矩阵和V矩阵，若对角矩阵中最小元对应的V矩阵的列向量v，与近邻矩阵中任意元素的乘积小于阈值，则该激光雷达点为特征点。
5.根据权利要求3所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
S23中，根据KD树获取特征点对应的特征平面，将特征点到特征平面的距离作为匹配误差。
6.根据权利要求5所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
对于特征点，在KD树中寻找其的多个最近邻点，多个最近邻点构成与该特征点匹配的特征平面，多个最近邻点的均值为该特征平面的中心，该特征点pci的匹配误差e(pci)表示为：
其中，v为特征点对角矩阵中最小元对应的V矩阵的列向量，pmean表示特征平面的中心,pci表示不同的特征点。
7.根据权利要求3所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
S24中，获取总误差函数的雅克比矩阵，采用高斯牛顿法求解获得位姿转换矩阵。
8.根据权利要求7所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
总误差函数的雅克比矩阵为：
其中，为匹配误差e(pci)的对应的雅克比矩阵。
9.根据权利要求8所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
匹配误差e(pci)的对应的雅克比矩阵表示为:
vx＝v·Rx(θ)
其中，θ为与该特征点激光雷达点云对应的电机角度，表示电机转子坐标系与激光雷达坐标系之间的三维旋转矩阵，/>表示电机转子坐标系与激光雷达坐标系之间的三维平移向量，上标∧表示将三维向量变成一个反对称的三维度矩阵。
10.根据权利要求3所述的无目标的单轴激光雷达转台全自由度位姿自动标定方法，其特征在于，
在S2中，还设置步骤S25、采用位姿转换矩阵将激光雷达点云数据转换到电机的转子坐标系上，将转换后的激光雷达点云数据替代原激光雷达点云数据，多次重复步骤S21～S24，获得最优位姿转换矩阵，采用最优位姿转换矩阵替代原位姿转换矩阵。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310812102.2A CN117055014A (zh) | 2023-07-04 | 2023-07-04 | 无目标的单轴激光雷达转台全自由度位姿自动标定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310812102.2A CN117055014A (zh) | 2023-07-04 | 2023-07-04 | 无目标的单轴激光雷达转台全自由度位姿自动标定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117055014A true CN117055014A (zh) | 2023-11-14 |
Family
ID=88668106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310812102.2A Pending CN117055014A (zh) | 2023-07-04 | 2023-07-04 | 无目标的单轴激光雷达转台全自由度位姿自动标定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117055014A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117359644A (zh) * | 2023-12-04 | 2024-01-09 | 四川福莫斯工业技术有限公司 | 一种基于机器人的点激光发射点位姿标定方法及系统 |
-
2023
- 2023-07-04 CN CN202310812102.2A patent/CN117055014A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117359644A (zh) * | 2023-12-04 | 2024-01-09 | 四川福莫斯工业技术有限公司 | 一种基于机器人的点激光发射点位姿标定方法及系统 |
| CN117359644B (zh) * | 2023-12-04 | 2024-02-27 | 四川福莫斯工业技术有限公司 | 一种基于机器人的点激光发射点位姿标定方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jiao et al. | Robust odometry and mapping for multi-lidar systems with online extrinsic calibration | |
| Dellenbach et al. | Ct-icp: Real-time elastic lidar odometry with loop closure | |
| EP2990828B1 (en) | Point cloud position data processing device, point cloud position data processing system, point cloud position data processing method, and program therefor | |
| KR102257610B1 (ko) | 자율 주행 시스템을 위한 복수의 3차원 라이다 센서의 외부 파리미터 보정 방법 | |
| Weingarten et al. | EKF-based 3D SLAM for structured environment reconstruction | |
| CN110189399B (zh) | 一种室内三维布局重建的方法及系统 | |
| CN110109134B (zh) | 一种基于2d激光雷达测距的折线提取极大似然估计的方法 | |
| CN104395932B (zh) | 对准数据的方法 | |
| Li et al. | A 4-point algorithm for relative pose estimation of a calibrated camera with a known relative rotation angle | |
| KR101925862B1 (ko) | 3차원 라이다를 이용한 실시간 3차원 지도 생성 방법 및 장치 | |
| CN109709801A (zh) | 一种基于激光雷达的室内无人机定位系统及方法 | |
| CN107917710B (zh) | 一种基于单线激光的室内实时定位与三维地图构建方法 | |
| 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 | |
| CN117055014A (zh) | 无目标的单轴激光雷达转台全自由度位姿自动标定方法 | |
| JP2014523572A (ja) | 地図データの生成 | |
| CN110187337B (zh) | 一种基于ls和neu-ecef时空配准的高机动目标跟踪方法及系统 | |
| Fang et al. | A Real‐Time 3D Perception and Reconstruction System Based on a 2D Laser Scanner | |
| CN115479598A (zh) | 基于多传感器融合的定位与建图方法及紧耦合系统 | |
| CN113570715B (zh) | 基于传感器融合的旋转激光实时定位建模系统及方法 | |
| Karam et al. | Integrating a low-cost mems imu into a laser-based slam for indoor mobile mapping | |
| JP2010112836A (ja) | 自己位置同定装置および該自己位置同定装置を備えた移動ロボット | |
| CN111694009B (zh) | 一种定位系统、方法以及装置 | |
| Muller et al. | The accuracy of 6D SLAM using the AIS 3D laser scanner | |
| CN115407361A (zh) | 一种偏心双旋轴激光扫描仪 | |
| CN114820984A (zh) | 一种基于激光雷达的三维重建方法及系统 |
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 |