CN117554974B - 基于三维激光雷达的车辆车板角点位置检测方法及系统 - Google Patents

Abstract

本发明公开了一种基于三维激光雷达的车辆车板角点位置检测方法及系统，应用于无人天车在仓库物资运输过程中的车辆装货场景；所述车辆车板角点位置检测方法包括：对三维激光雷达进行标定，完成激光雷达坐标系与世界坐标系间位置的标定；利用完成标定的三维激光雷达，获取待测车辆在世界坐标系下的点云数据；基于待测车辆在世界坐标系下的点云数据，获取车板点云数据；基于所述车板点云数据，获取待测车辆的车板角点位置。本发明方案具有结构简单，造价低，易于维护的特点，并可准确实现车辆车板角点位置信息的获取。

Description

基于三维激光雷达的车辆车板角点位置检测方法及系统

技术领域

本发明涉及无人天车自动控制技术领域，特别涉及一种基于三维激光雷达的车辆车板角点位置检测方法及系统。

背景技术

在无人天车系统中装货作业时，车辆上的车板角点位置信息的获取是实现无人天车自动控制装货的重要步骤之一，车辆在停车区域内会有不同的具体停车位置，车板角点在车上也有不同的具体位置，以往是天车操作人员边看边操作以确保物料准确装到车板的指定位置。因此，实现无人天车系统装货的重要前提之一就是获取车辆上车板角点的位置信息。

目前，获取车辆上车板角点三维信息的方法主要包括，激光雷达测距、机器视觉或者线结构光三种方法。文献一(郑宝峰.车辆三维点云高精度重建技术研究[D].长安大学，2018.)提出了一种基于机器视觉的大型和测量轮廓尺寸的精确测量，通过图像拼接、特征点匹配等图像处理技术完成目标车辆三维信息的获取，但并不适合光照条件恶劣的环境，鲁棒性较低。文献二(朱小平.基于单目图像序列的车辆三维信息提取[D].长安大学，2013.)提出了一种通过视频检测技术来获取目标车辆的三维信息，该方法需要通过图像处理获取车辆的特征点信息，并对特征点进行跟踪匹配，算法较为复杂，鲁棒性不高，易受环境光的影响。公开号为CN201910074429.8的专利申请提出一种包括摄像模块、测距模块和处理单元的三维信息获取方法，但其所用设备较为昂贵，算法较为复杂。

发明内容

本发明提供了一种基于三维激光雷达的车辆车板角点位置检测方法及系统，以解决现有的车辆车板位置信息检测方案所存在的不适合光照条件恶劣的环境，易受环境光的影响，鲁棒性较低，以及算法较为复杂的技术问题。

为解决上述技术问题，本发明提供了如下技术方案：

一方面，本发明提供了一种基于三维激光雷达的车辆车板角点位置检测方法，应用于无人天车在仓库物资运输过程中的车辆装货场景；所述方法包括：

对三维激光雷达进行标定，完成激光雷达坐标系与世界坐标系间位置的标定；

利用完成标定的三维激光雷达，获取待测车辆在世界坐标系下的点云数据；

基于待测车辆在世界坐标系下的点云数据，获取车板点云数据；

基于所述车板点云数据，获取待测车辆的车板角点位置。

进一步地，所述对三维激光雷达进行标定，完成激光雷达坐标系与世界坐标系间位置的标定，包括：

利用三维激光雷达扫描棋盘格标定板，得到所述棋盘格标定板中多个预设标定点的图像坐标数据及世界坐标数据；

根据标定点的图像坐标数据及世界坐标数据，得到激光雷达坐标系与世界坐标系的转换关系，完成激光雷达坐标系与世界坐标系间位置的标定；公式如下：

其中，x、y、z分别为三维激光雷达原点与目标标定点之间相对位置的x坐标，y坐标和z坐标；x_i、y_i、z_i分别为转换前的点云数据中的第i个点云数据的x坐标，y坐标和z坐标；x_i'、y_i'、z_i'分别为转换后的第i个点云数据的x坐标，y坐标和z坐标；thax为点云数据绕x轴的旋转角度；thay为点云数据绕y轴的旋转角度；thaz为点云数据绕z轴的旋转角度。

进一步地，所述利用完成标定的三维激光雷达，获取待测车辆在世界坐标系下的点云数据，包括：

将三维激光雷达安装于停车区域上方，利用三维激光雷达对停车区域内的待测车辆进行扫描，获取待测车辆在激光雷达坐标系下的车辆点云数据；

基于激光雷达坐标系与世界坐标系间位置的标定结果，将待测车辆在激光雷达坐标系下的车辆点云数据转换到世界坐标系下；并对转换到世界坐标系下的车辆点云数据进行直通滤波，得到待测车辆在世界坐标系下的点云数据。

进一步地，在对车辆点云数据进行直通滤波时，直通滤波器定义如下：

其中，C_x1、C_y1、C_z1分别为滤波器在P_x、P_y、P_z方向上的上限值；C_x2、C_y2、C_z2分别为滤波器在P_x、P_y、P_z方向上的下限值；P_x、P_y、P_z均为预设的维度方向。

进一步地，所述基于待测车辆在世界坐标系下的点云数据，获取车板点云数据，包括：

遍历待测车辆在世界坐标系下的点云数据，通过点云密度分析，获取初始车板点云数据；

根据初始车板点云数据的横坐标和分割阈值计算车头和车板的分割横坐标；

根据分割横坐标，对初始车板点云数据进行分割，得到车板点云数据。

进一步地，所述遍历待测车辆在世界坐标系下的点云数据，通过点云密度分析，获取初始车板点云数据，公式如下：

其中，P^L表示初始车板点云数据；P^l表示待测车辆在世界坐标系下的点云数据；z_i表示第i层点云的z坐标；H^L表示高度阈值，其取值范围为200mm-500mm；ρ_i表示第i层车板的点云密度；ρ_L表示初始车板点云的点云密度。

进一步地，所述分割横坐标的计算公式如下：

其中，X_i,i+1表示介于第i个点和第i+1个点的分割横坐标；X_i表示第i个点的横坐标；X_i+1表示第i+1个点的横坐标；K_t为常数，其取值范围为20～40。

进一步地，基于所述车板点云数据，获取待测车辆的车板角点位置，包括：

基于所述车板点云数据，根据车板长度方向的最大值X_b与车板长度方向的最小值X_f，以及车板宽度方向的最大值Y_b与车板宽度方向的最小值Y_f，计算车板的中心点横坐标X_m和车板的中心点纵坐标Y_m，公式如下：

根据车板的中心点横坐标X_m和车板的中心点纵坐标Y_m，计算前侧车板的次中心点横坐标X_mf和后侧车板的次中心点横坐标X_mb，公式如下：

其中，β为距离偏移控制常数，其取值范围在80～120；

根据前侧车板的次中心点横坐标X_mf和后侧车板的次中心点横坐标X_mb，计算所述车板点云数据中各点到偏移中心的距离，公式如下：

其中，S_di表示所述车板点云数据中的车板上第i个点到偏移中心的距离；α为距离调节系数，其取值范围为0.2-0.5；X_pi表示车板上第i个点对应的横坐标，Y_pi表示车板上第i个点对应的纵坐标；

将待测车辆的车板划分为四个车板子区域，根据计算出的所述车板点云数据中各点到偏移中心的距离，得到四个车板子区域内中的距离最大值对应的点以及距离最大值对应的点的点云信息，作为车辆车板角点位置信息。

进一步地，所述得到四个车板子区域内中的距离最大值对应的点以及距离最大值对应的点的点云信息的公式如下：

其中，P_i表示第i个点的点云信息，包括第i个点的x，y，z坐标信息；表示车板点云到偏移中心的距离最大值；/>表示第n个车板子区域的点云信息，包括第n个车板子区域中的每一个点的x，y，z坐标信息。

另一方面，本发明还提供了一种基于三维激光雷达的车辆车板角点位置检测系统，应用于无人天车在仓库物资运输过程中的车辆装货场景；所述系统包括：

三维激光雷达标定模块，用于对三维激光雷达进行标定，完成激光雷达坐标系与世界坐标系间位置的标定；

点云数据获取模块，用于利用完成标定的三维激光雷达，获取待测车辆在世界坐标系下的点云数据；

点云数据处理模块，用于：

基于待测车辆在世界坐标系下的点云数据，获取车板点云数据；

基于所述车板点云数据，获取待测车辆的车板角点位置。

再一方面，本发明还提供了一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

又一方面，本发明还提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现上述方法。

本发明提供的技术方案带来的有益效果至少包括：

与采用相机作为传感器的车辆车板角点位置识别方案相比较，本发明的技术方案更适合于在各种光照条件下获取车辆上车板角点位置的点云数据信息，且标定方法更为简单；与利用激光测距仪的车辆车板角点位置识别方案相比较，本发明的技术方案更适合于外观较为规范和统一的大型车辆车板角点位置信息获取；与采用移动的激光雷达的车辆位置识别方案相比较，本发明的技术方案在固定位置就能够扫描足够的数据，不需要获取传感器的运动信息，因此结构简单且更为稳定；与采用传感器垂直扫描的车辆车板角点位置识别方案相比较，本发明的技术方案不需要严格要求传感器的安装角度，易于安装和维护；此外，为了减少环境光对数据处理的影响和保证数据量的大小，本发明的技术方案采用了一种视场覆盖率90％以上的三维激光雷达，保证在雷达固定的情况下，仍可以获得足够的数据量，提高了识别特征点的稳定性和准确性。

综上，本发明具有设备结构简单，造价低，易于维护，算法鲁棒性强，计算量小，测量精度高的特点，适用于一般场合的车辆上车板角点位置提取工作。

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是本发明实施例提供的基于三维激光雷达的车辆车板角点位置检测方法的执行流程示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

第一实施例

本实施例提供了一种基于三维激光雷达的车辆车板角点位置检测方法，用于实现无人天车在仓库物资运输过程中，在车辆装货情况下的车板角点位置信息检测。该方法可以由电子设备实现，其执行流程如图1所示，包括以下步骤：

S1，对三维激光雷达进行标定，完成雷达坐标系与世界坐标系间位置的标定；

具体地，在本实施例中，对三维激光雷达进行标定的过程如下：

S11，利用三维激光雷达扫描棋盘格标定板，通过棋盘格标定板确定一系列世界坐标已知的标定点以及其图像坐标；

S12，使用最小二乘法求解相机内外参数、采用四阶径向畸变模型求解畸变参数，具体步骤如下：

根据位移公式(公式1)，x轴旋转公式(公式1)，y轴旋转公式(公式3)，z轴旋转公式(公式4)，将雷达原始点云数据转换到世界坐标系下：

其中，x、y、z分别为三维激光雷达原点与目标标定点之间相对位置的x坐标，y坐标和z坐标；x_i、y_i、z_i分别为转换前的点云数据中的第i个点云数据的x坐标，y坐标和z坐标；x_i'、y_i'、z_i'分别为转换后的第i个点云数据的x坐标，y坐标和z坐标；thax为点云数据绕x轴的旋转角度；thay为点云数据绕y轴的旋转角度；thaz为点云数据绕z轴的旋转角度。

S2，利用完成标定的三维激光雷达获取待测车辆在世界坐标系下的点云数据；

具体地，在本实施例中，上述S2的实现过程如下：

S21，将三维激光雷达安装于停车区域上方，利用三维激光雷达对停车区域内的待测车辆进行扫描，获取待测车辆在激光雷达坐标系下的车辆点云数据；

其中，三维激光雷达的安装位置需保证车辆在规定范围内可以被雷达扫描到，三维激光雷达通过千兆网线与信息处理服务器相连，用户的显示器与信息处理服务器连接，用以显示相关的数据。

S22，基于激光雷达坐标系与世界坐标系间位置的标定结果，将待测车辆在激光雷达坐标系下的车辆点云数据转换到世界坐标系下；并对转换到世界坐标系下的车辆点云数据进行直通滤波，得到待测车辆在世界坐标系下的点云数据；

其中，在检测前，需要滤除检测范围外的点云数据；对此，本实施例采用直通滤波，在对车辆点云数据进行直通滤波时，直通滤波器定义如下：

其中，C_x1、C_y1、C_z1分别为滤波器在P_x、P_y、P_z方向上的上限值，单位为mm；C_x2、C_y2、C_z2分别为滤波器在P_x、P_y、P_z方向上的下限值，单位为mm；P_x、P_y、P_z均为预设的维度方向。具体地，直通滤波器上下限数值如表1所示：

表1直通滤波器上下限数值

参数

Cx1

Cx2

Cy1

Cy2

Cz1

Cz2

数值

5000mm

20000mm

1000mm

4000mm

350mm

2000mm

S3，基于待测车辆在世界坐标系下的点云数据，获取车板点云数据；

具体地，在本实施例中，上述S3的实现过程如下：

S31，遍历待测车辆在世界坐标系下的点云数据，通过点云密度分析，获取初始车板点云数据；公式如下：

其中，P^L表示初始车板点云数据；P^l表示待测车辆在世界坐标系下的点云数据；z_i表示第i层点云的z坐标；H^L表示高度阈值，来自现场经验公式，取值范围为200-500mm，在本实施例中，H^L取400mm；ρ_i表示第i层车板的点云密度；ρ_L表示初始车板点云的点云密度，在本实施例中，其值为21个/㎡。

S32，根据初始车板点云数据的横坐标和分割阈值计算车头和车板的分割横坐标；根据分割横坐标，对初始车板点云数据进行分割，得到车板点云数据。

其中，所述分割横坐标的计算公式如下：

其中，X_i,i+1表示介于第i个点和第i+1个点的分割横坐标，单位为mm；X_i表示第i个点的横坐标，单位为mm；X_i+1表示第i+1个点的横坐标，单位为mm；K_t为常数，来自经验公式，取值范围为20～40，单位为mm，在本实施例中取30mm。

S4，基于所述车板点云数据，获取待测车辆的车板角点位置；

具体地，在本实施例中，上述S4的实现过程如下：

S41，基于所述车板点云数据，根据车板长度方向的最大值X_b与车板长度方向的最小值X_f，以及车板宽度方向的最大值Y_b与车板宽度方向的最小值Y_f，计算车板的中心点横坐标X_m和车板的中心点纵坐标Y_m，公式如下：

X_m＝(X_b-X_f)/2；

Y_m＝(Y_b-Y_f)/2；

其中，X_m、Y_m分别为车板中心点的横坐标与纵坐标，单位为mm；X_f、Y_f分别为分割后点云的x方向和y方向的最小值，单位为mm；X_b、Y_b分别为分割后点云的x方向和y方向的最大值，单位为mm。

具体地，在本实施例中，车板中心坐标及分割数据如表2所示：

表2车板中心坐标及分割数据

参数

Xm

Ym

Xf

Yf

Xb

Yb

数值

10000mm

2500mm

5604mm

1029mm

19051mm

3927mm

S42，根据车板的中心点横坐标X_m和车板的中心点纵坐标Y_m，计算前侧车板的次中心点横坐标X_mf和后侧车板的次中心点横坐标X_mb，公式如下：

其中，β为距离偏移控制常数，来自现场经验公式，取值范围在80～120，单位为mm，在本实施例中β为90mm；X_mf为前侧车板的次中心点横坐标，单位为mm；X_mb为后侧车板的次中心点横坐标，单位为mm；在本实施例中，两个次中心点横坐标X_mf和X_mb分别为7508mm和1527mm。

S43，根据前侧车板的次中心点横坐标X_mf和后侧车板的次中心点横坐标X_mb，计算所述车板点云数据中各点到偏移中心的距离，公式如下：

其中，S_di表示所述车板点云数据中的车板上第i个点到偏移中心的距离；α为距离调节系数，来自现场经验公式，取值范围为0.2-0.5，其无量纲，在本实施例中α为0.4；X_pi表示车板上第i个点对应的横坐标单位为mm，Y_pi表示车板上第i个点对应的纵坐标，单位为mm；

S44，将待测车辆的车板划分为四个车板子区域，根据计算出的车板点云数据中各点到偏移中心的距离，得到四个车板子区域内中的距离最大值对应的点以及距离最大值对应的点的点云信息，作为车辆车板角点位置信息；公式如下：

其中，P_i表示第i个点的点云信息，分别为第i个点云的x，y，z坐标，单位为mm；/>表示车板点云到偏移中心的距离最大值，单位为mm；/>表示第n个车板子区域的点云信息，包括第n个车板子区域中的每一个点的x，y，z坐标信息。其中，在对车板区域进行划分时，本实施例根据车板中心将车板区域划分为四个车板点云子区域，每一子区域分别包括一个角点。

综上，本实施例提供了一种基于三维激光雷达的车辆车板角点位置检测方法，与采用相机作为传感器的车辆车板角点位置识别方案相比较，本发明的技术方案更适合于在各种光照条件下获取车辆上车板角点位置的点云数据信息，且标定方法更为简单；与利用激光测距仪的车辆车板角点位置识别方案相比较，本发明的技术方案更适合于外观较为规范和统一的大型车辆车板角点位置信息获取；与采用移动的激光雷达的车辆位置识别方案相比较，本发明的技术方案在固定位置就能够扫描足够的数据，不需要获取传感器的运动信息，因此结构简单且更为稳定；与采用传感器垂直扫描的车辆车板角点位置识别方案相比较，本发明的技术方案不需要严格要求传感器的安装角度，易于安装和维护；此外，为了减少环境光对数据处理的影响和保证数据量的大小，本发明的技术方案采用了一种视场覆盖率90％以上的三维激光雷达，保证在雷达固定的情况下，仍可以获得足够的数据量，提高了识别特征点的稳定性和准确性。

第二实施例

本实施例提供了一种基于三维激光雷达的车辆车板角点位置检测系统，应用于无人天车在仓库物资运输过程中的车辆装货场景；所述系统包括：

三维激光雷达标定模块，用于对三维激光雷达进行标定，完成激光雷达坐标系与世界坐标系间位置的标定；

点云数据获取模块，用于利用完成标定的三维激光雷达，获取待测车辆在世界坐标系下的点云数据；

点云数据处理模块，用于：

基于待测车辆在世界坐标系下的点云数据，获取车板点云数据；

基于所述车板点云数据，获取待测车辆的车板角点位置。

本实施例的基于三维激光雷达的车辆车板角点位置检测系统与上述第一实施例的基于三维激光雷达的车辆车板角点位置检测方法相对应；其中，本实施例的基于三维激光雷达的车辆车板角点位置检测系统中的各功能模块所实现的功能与上述第一实施例的基于三维激光雷达的车辆车板角点位置检测方法中的各流程步骤一一对应；故，在此不再赘述。

第三实施例

本实施例提供一种电子设备，其包括处理器和存储器；其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行，以实现第一实施例的方法。

该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器(central processing units，CPU)和一个或一个以上的存储器，其中，存储器中存储有至少一条指令，所述指令由处理器加载并执行上述方法。

第四实施例

本实施例提供一种计算机可读存储介质，该存储介质中存储有至少一条指令，所述指令由处理器加载并执行，以实现上述第一实施例的方法。其中，该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。

此外，需要说明的是，本发明可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。

本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

最后需要说明的是，以上所述是本发明优选实施方式，应当指出，尽管已描述了本发明优选实施例，但对于本技术领域的技术人员来说，一旦得知了本发明的基本创造性概念，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

Claims (8)

1.一种基于三维激光雷达的车辆车板角点位置检测方法，应用于无人天车在仓库物资运输过程中的车辆装货场景；其特征在于，所述检测方法包括：

对三维激光雷达进行标定，完成激光雷达坐标系与世界坐标系间位置的标定；

利用完成标定的三维激光雷达，获取待测车辆在世界坐标系下的点云数据；

基于待测车辆在世界坐标系下的点云数据，获取车板点云数据；

基于所述车板点云数据，获取待测车辆的车板角点位置；

基于所述车板点云数据，获取待测车辆的车板角点位置，包括：

基于所述车板点云数据，根据车板长度方向的最大值X_b与车板长度方向的最小值X_f，以及车板宽度方向的最大值Y_b与车板宽度方向的最小值Y_f，计算车板的中心点横坐标X_m和车板的中心点纵坐标Y_m，公式如下：

X_m＝(X_b-X_f)/2；

Y_m＝(Y_b-Y_f)/2；

根据车板的中心点横坐标X_m和车板的中心点纵坐标Y_m，计算前侧车板的次中心点横坐标X_mf和后侧车板的次中心点横坐标X_mb，公式如下：

其中，β为距离偏移控制常数，其取值范围在80～120；

根据前侧车板的次中心点横坐标X_mf和后侧车板的次中心点横坐标X_mb，计算所述车板点云数据中各点到偏移中心的距离，公式如下：

其中，S_di表示所述车板点云数据中的车板上第i个点到偏移中心的距离；α为距离调节系数，其取值范围为0.2-0.5；X_pi表示车板上第i个点对应的横坐标，Y_pi表示车板上第i个点对应的纵坐标；

将待测车辆的车板划分为四个车板子区域，根据计算出的所述车板点云数据中各点到偏移中心的距离，得到四个车板子区域内中的距离最大值对应的点以及距离最大值对应的点的点云信息，作为车辆车板角点位置信息；

所述得到四个车板子区域内中的距离最大值对应的点以及距离最大值对应的点的点云信息的公式如下：

其中，P_i表示第i个点的点云信息，包括第i个点的x，y，z坐标信息；表示车板点云到偏移中心的距离最大值；/>表示第n个车板子区域的点云信息，包括第n个车板子区域中的每一个点的x，y，z坐标信息。

2.如权利要求1所述的基于三维激光雷达的车辆车板角点位置检测方法，其特征在于，所述对三维激光雷达进行标定，完成激光雷达坐标系与世界坐标系间位置的标定，包括：

利用三维激光雷达扫描棋盘格标定板，得到所述棋盘格标定板中多个预设标定点的图像坐标数据及世界坐标数据；

根据标定点的图像坐标数据及世界坐标数据，得到激光雷达坐标系与世界坐标系的转换关系，完成激光雷达坐标系与世界坐标系间位置的标定；公式如下：

其中，x、y、z分别为三维激光雷达原点与目标标定点之间相对位置的x坐标，y坐标和z坐标；x_i、y_i、z_i分别为转换前的点云数据中的第i个点云数据的x坐标，y坐标和z坐标；x_i'、y_i'、z_i'分别为转换后的第i个点云数据的x坐标，y坐标和z坐标；thax为点云数据绕x轴的旋转角度；thay为点云数据绕y轴的旋转角度；thaz为点云数据绕z轴的旋转角度。

3.如权利要求1所述的基于三维激光雷达的车辆车板角点位置检测方法，其特征在于，所述利用完成标定的三维激光雷达，获取待测车辆在世界坐标系下的点云数据，包括：

将三维激光雷达安装于停车区域上方，利用三维激光雷达对停车区域内的待测车辆进行扫描，获取待测车辆在激光雷达坐标系下的车辆点云数据；

基于激光雷达坐标系与世界坐标系间位置的标定结果，将待测车辆在激光雷达坐标系下的车辆点云数据转换到世界坐标系下；并对转换到世界坐标系下的车辆点云数据进行直通滤波，得到待测车辆在世界坐标系下的点云数据。

4.如权利要求3所述的基于三维激光雷达的车辆车板角点位置检测方法，其特征在于，在对车辆点云数据进行直通滤波时，直通滤波器定义如下：

其中，C_x1、C_y1、C_z1分别为滤波器在P_x、P_y、P_z方向上的上限值；C_x2、C_y2、C_z2分别为滤波器在P_x、P_y、P_z方向上的下限值；P_x、P_y、P_z均为预设的维度方向。

5.如权利要求1所述的基于三维激光雷达的车辆车板角点位置检测方法，其特征在于，所述基于待测车辆在世界坐标系下的点云数据，获取车板点云数据，包括：

遍历待测车辆在世界坐标系下的点云数据，通过点云密度分析，获取初始车板点云数据；

根据初始车板点云数据的横坐标和分割阈值计算车头和车板的分割横坐标；

根据分割横坐标，对初始车板点云数据进行分割，得到车板点云数据。

6.如权利要求5所述的基于三维激光雷达的车辆车板角点位置检测方法，其特征在于，所述遍历待测车辆在世界坐标系下的点云数据，通过点云密度分析，获取初始车板点云数据，公式如下：

其中，P^L表示初始车板点云数据；P^l表示待测车辆在世界坐标系下的点云数据；z_i表示第i层点云的z坐标；H^L表示高度阈值，其取值范围为200mm-500mm；ρ_u表示第i层车板的点云密度；ρ_L表示初始车板点云的点云密度。

7.如权利要求5所述的基于三维激光雷达的车辆车板角点位置检测方法，其特征在于，所述分割横坐标的计算公式如下：

其中，X_i,i+1表示介于第i个点和第i+1个点的分割横坐标；X_i表示第i个点的横坐标；X_i+1表示第i+1个点的横坐标；K_t为常数，其取值范围为20～40。

8.一种基于三维激光雷达的车辆车板角点位置检测系统，应用于无人天车在仓库物资运输过程中的车辆装货场景；其特征在于，所述检测系统包括：

三维激光雷达标定模块，用于对三维激光雷达进行标定，完成激光雷达坐标系与世界坐标系间位置的标定；

点云数据获取模块，用于利用完成标定的三维激光雷达，获取待测车辆在世界坐标系下的点云数据；

点云数据处理模块，用于：

基于待测车辆在世界坐标系下的点云数据，获取车板点云数据；

基于所述车板点云数据，获取待测车辆的车板角点位置；

基于所述车板点云数据，获取待测车辆的车板角点位置，包括：

基于所述车板点云数据，根据车板长度方向的最大值X_b与车板长度方向的最小值X_f，以及车板宽度方向的最大值Y_b与车板宽度方向的最小值Y_f，计算车板的中心点横坐标X_m和车板的中心点纵坐标Y_m，公式如下：

X_m＝(X_b-X_f)/2；

Y_m＝(Y_b-Y_f)/2；

根据车板的中心点横坐标X_m和车板的中心点纵坐标Y_m，计算前侧车板的次中心点横坐标X_mf和后侧车板的次中心点横坐标X_mb，公式如下：

其中，β为距离偏移控制常数，其取值范围在80～120；

根据前侧车板的次中心点横坐标X_mf和后侧车板的次中心点横坐标X_mb，计算所述车板点云数据中各点到偏移中心的距离，公式如下：

其中，S_di表示所述车板点云数据中的车板上第i个点到偏移中心的距离；α为距离调节系数，其取值范围为0.2-0.5；X_pi表示车板上第i个点对应的横坐标，Y_pi表示车板上第i个点对应的纵坐标；

将待测车辆的车板划分为四个车板子区域，根据计算出的所述车板点云数据中各点到偏移中心的距离，得到四个车板子区域内中的距离最大值对应的点以及距离最大值对应的点的点云信息，作为车辆车板角点位置信息；

所述得到四个车板子区域内中的距离最大值对应的点以及距离最大值对应的点的点云信息的公式如下：

其中，P_i表示第i个点的点云信息，包括第i个点的x，y，z坐标信息；表示车板点云到偏移中心的距离最大值；/>表示第n个车板子区域的点云信息，包括第n个车板子区域中的每一个点的x，y，z坐标信息。