CN117557654A - 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
- CN117557654A CN117557654A CN202311505486.XA CN202311505486A CN117557654A CN 117557654 A CN117557654 A CN 117557654A CN 202311505486 A CN202311505486 A CN 202311505486A CN 117557654 A CN117557654 A CN 117557654A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- coordinates
- coordinate system
- point cloud
- target
- 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 58
- 230000009466 transformation Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000000903 blocking effect Effects 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000012545 processing Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000013519 translation Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Navigation (AREA)
Abstract
本公开涉及外参标定方法、装置、电子设备及存储介质。该方法包括:获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据;基于点云数据生成点云地图,并基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域;获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;基于车辆在世界坐标系下的坐标,在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标构建目标方程,对目标方程进行求解,得到组合导航设备与车辆之间的外参。本公开提高了标定精度和效率。
Description
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种外参标定方法、装置、电子设备及计算机可读存储介质。
背景技术
在自动驾驶领域中,经常需要将设备测量的数据从设备本身的坐标系转换到其他坐标系。为了实现坐标系的转换,需要确定不同设备的坐标系之间的对应关系,即,标定不同设备之间的外参。
以待标定的设备是组合导航设备为例,相关技术中,组合导航设备与车辆后轴中心点之间的外参可以通过测量得到,也可以通过计算机辅助设计(Computer AidedDesign,CAD)图纸提供的数据得到。在初始工装时,需要尽可能地让组合导航设备和车辆坐标系一致,然而,由于组合导航设备的安装位置存在偏差,组合导航设备与车辆后轴中心点之间的外参标定可能存在误差,导致车辆后轴中心点的定位不准确,进而无法对车辆进行精准的控制。
发明内容
有鉴于此,本公开实施例提供了一种外参标定方法、装置、电子设备及计算机可读存储介质,以解决相关技术中存在的问题。
本公开实施例的第一方面,提供了一种外参标定方法,包括:获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,位姿数据用于表征车辆在各个位置的位姿;基于点云数据,生成点云地图,并基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域;获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;基于车辆在世界坐标系下的坐标,在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,对目标方程进行求解,得到组合导航设备与车辆之间的外参。
本公开实施例的第二方面,提供了一种外参标定装置,包括:获取模块,被配置为获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,位姿数据用于表征车辆在各个位置的位姿;生成模块,被配置为基于点云数据,生成点云地图,并基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域;转换模块,被配置为获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;搜索模块,被配置为基于车辆在世界坐标系下的坐标,在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;构建模块,被配置为基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,对目标方程进行求解,得到组合导航设备与车辆之间的外参。
本公开实施例的第三方面,提供了一种电子设备,包括至少一个处理器;用于存储至少一个处理器可执行指令的存储器;其中,至少一个处理器用于执行指令,以实现上述方法的步骤。
本公开实施例的第四方面,提供了一种计算机可读存储介质,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行上述方法的步骤。
本公开实施例采用的上述至少一个技术方案能够达到以下有益效果:通过获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,位姿数据用于表征车辆在各个位置的位姿;基于点云数据,生成点云地图,并基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域;获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;基于车辆在世界坐标系下的坐标,在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,对目标方程进行求解,得到组合导航设备与车辆之间的外参,能够快速、精确地对组合导航设备与车辆之间的外参进行标定,因此,减少了标定误差,提高了标定效率和标定精度,提升了定位准确性和可靠性,实现了对车辆的准确控制。
附图说明
为了更清楚地说明本公开实施例中的技术方案,下面将对实施例或现有技术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公开的一些实施例,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它的附图。
图1为本公开一示例性实施例提供的一种外参标定方法的流程示意图。
图2为本公开一示例性实施例提供的数据采集设备采集的点云数据的效果示意图。
图3a为本公开一示例性实施例提供的通过最邻近搜索确定的目标特征区域的效果示意图。
图3b为本公开一示例性实施例提供的图3a的目标特征区域的中心点的效果示意图。
图4为本公开一示例性实施例提供的在平面上采样获得的各个位置的车辆的效果示意图。
图5为本公开一示例性实施例提供的另一种外参标定方法的流程示意图。
图6为本公开一示例性实施例提供的一种外参标定装置的结构示意图。
图7为本公开一示例性实施例提供的电子设备的结构示意图。
图8为本公开一示例性实施例提供的计算机系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括,即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”;术语“另一实施例”表示“至少一个另外的实施例”;术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将结合附图详细说明根据本公开实施例的一种外参标定方法和装置。
图1为本公开一示例性实施例提供的一种外参标定方法的流程示意图。图1的外参标定方法可以由自动驾驶系统中的服务器或电子设备执行。如图1所示,该外参标定方法可以包括:
S101,获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,位姿数据用于表征车辆在各个位置的位姿;
S102,基于点云数据,生成点云地图,并基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域;
S103,获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;
S104,基于车辆在世界坐标系下的坐标,在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;
S105,基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,对目标方程进行求解,得到组合导航设备与车辆之间的外参。
具体地,以自动驾驶系统中的服务器为例,在车辆行驶的过程中,服务器通过安装在车辆上的数据采集设备实时采集车辆周围的点云数据,并利用诸如点云滤波、边缘检测、直线检测等点云处理算法对采集到的点云数据进行处理,以构建点云地图;在构建得到点云地图后,服务器基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域。
这里,自动驾驶系统是指由硬件和软件组成的能够持续执行部分或者全部动态驾驶任务(Dynamic Driving Task)的系统。动态驾驶任务是指完成车辆驾驶所需的感知、决策和执行,即,包括驾驶道路车辆时所有实时的操作类和战术类功能,不包括规划类功能,例如,行程计划、目的地和路径的选择等。示例性地,动态驾驶任务可以包括但不限于控制车辆横向运动、控制车辆纵向运动、通过对目标和事件进行探测、识别、分类来监视驾驶环境并准备响应,执行响应、驾驶决策、控制车辆照明及信号装置等。
服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器,本公开实施例对此不作限制。
车辆可以是无人驾驶车辆或自动驾驶车辆。无人驾驶车辆是一种通过计算机系统实现无人驾驶的智能车辆,其通过车载传感系统感知车辆周围环境,并根据感知所获得的道路、车辆位置和障碍物信息等,控制车辆的转向和速度,从而使车辆能够安全、可靠地在道路上行驶。在本公开实施例中,无人驾驶车辆可以包括但不限于安装有数据采集设备的宽体车、大矿卡、采集车和铲车等。
数据采集设备可以通过发射和接收信号来采集周围目标对象上各点的数据,即,采集目标点的点数据。数据采集设备在一个采样周期内采集到的点数据的集合即为一帧点云数据。数据采集设备可以包括但不限于激光雷达、毫米波雷达、超声波雷达、摄像机等。在本公开实施例中,数据采集设备为激光雷达。激光雷达是以发射激光束探测目标的位置、速度等特征量的雷达系统。激光雷达的工作原理是向目标发射探测信号(激光束),然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较,作适当处理后即可获得目标的有关信息,例如,目标的距离、方位、高度、速度、姿态、形状等参数。
点云(Point Cloud)是指在一定的空间参考系下表达目标对象的空间分布和表面特性的点的集合。点云数据是指在一个三维坐标系统中的一组向量的集合。这些向量通常以三维坐标(X、Y、Z)的形式表示,而且一般主要用来代表一个物体的外表面形状。除了具有三维坐标代表的几何位置信息之外,点云数据还可以表示一个点的颜色(R、G、B)信息或物体反射面强度(Intensity)信息。点云地图是指基于点云数据构建的地图。在本公开实施例中,点云数据用于表征点云中每个点在空间参考坐标系下的三维坐标值,这里,空间参考坐标系可以是激光雷达对应的激光雷达坐标系。在实际应用中,可以通过触发激光雷达按照预设的扫描频率(例如,10Hz)对行车区域进行扫描,得到每个扫描频率各自对应的一帧点云数据。如图2所示,图2为本公开一示例性实施例提供的数据采集设备采集的点云数据的效果示意图。
预设的区域划分规则可以是基于预设的网格大小(例如,1米×1米)对点云地图进行区域划分,也可以是基于预设的区域形状(例如,矩形、圆形、不规则图形等)对点云地图进行区域划分,或者还可以是基于点云地图中各点云点所属的特征模型类别对点云地图进行区域划分,本公开实施例对此不作限制。这里,特征模型可以是各种类型的几何模型,包括但不限于线、平面、立方体、球体等。在实际应用中,可以重复执行对点云地图进行区域划分的操作,直至划分得到符合平面构成条件的特征区域,这里,平面构成条件是点云中构成平面的数据点需要满足的条件;或者,也可以采用诸如四叉树或八叉树的区域划分方式,不断地对点云地图进行切分,直到切分得到最小的特征区域为止。
接下来,服务器获取组合导航设备采集的车辆在各个位置的位姿数据以及各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据将车辆在车辆坐标系下的坐标投影到世界坐标系中,得到车辆在世界坐标系下的坐标;在获取到车辆在世界坐标系下的坐标后,服务器利用最邻近搜索算法在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域。如图3a和图3b所示,图3a为本公开一示例性实施例提供的通过最邻近搜索确定的目标特征区域的效果示意图,图3b为本公开一示例性实施例提供的图3a的目标特征区域的中心点的效果示意图。
这里,组合导航设备是多传感器多源导航信息的集成优化融合系统中的设备,是实现整车级自动驾驶的关键部件,为自动驾驶提供多源数据融合后的高精度定位坐标。组合导航设备包括的多种导航设备可以根据实际需要进行选择。例如,组合导航设备可以包括基于惯性测量单元(Inertial Measurement Unit,IMU)的设备和基于惯性导航系统(Inertial Navigation System,INS)的设备中的至少一种;以及基于全球定位系统(Global Positioning System,GPS)的设备、基于全球导航卫星系统(Global NavigationSatellite System,GNSS)的设备和基于北斗卫星导航系统(BeiDou NavigationSatellite System,BDS)的设备中的至少一种,本公开实施例对组合导航设备包含的导航单元的类型不做具体限制。
位姿用于描述位置和姿态。位置可以用在各种坐标系中的坐标来表示,姿态是指在各种坐标系中的朝向,可以用旋转矩阵来表示。位姿数据可以包括组合导航设备采集的位置信息和姿态信息,用于表征车辆在不同时刻的位置变化和姿态变化。位姿数据可以包括经度、纬度和姿态角,这里,姿态角可以包括俯仰角(Pitch)、偏航角(Yaw,也称为航向角)和横滚角(Roll)中的一种或多种。可选地,位置变化可以用平移向量来表示,位姿变化可以用旋转矩阵来表示,示例性地,该旋转矩阵可以用于表示车辆的偏航角、俯仰角和横滚角的变化。在一些实施例中,位姿数据还可以包括高度信息。
车辆坐标系(Vehicle Coordinate System,VCS)是用来描述车辆运动的特殊动坐标系。车辆坐标系的原点相对于车辆位置固定且与车辆的质心重合。车辆的质心可以包括但不限于车头中心、前轴中心、后轴中心等。优选地,在本公开实施例中,车辆的质心为车辆的后轴中心,即,以车辆的后轴中心为原点建立车辆坐标系。车辆坐标系的建立方式可以为左手系,也可以为右手系,本公开实施例对此不作限制。例如,车辆坐标系的建立方式为左手系,当车辆在水平路面上处于静止状态时,车辆坐标系的X轴平行于地面且指向车辆前方,车辆坐标系的Y轴指向驾驶员的左侧,车辆坐标系的Z轴垂直于地面且指向车辆上方。又例如,车辆坐标系的建立方式为又手系,当车辆在水平路面上处于静止状态时,车辆坐标系的X轴平行于地面且指向车辆前方,车辆坐标系的Y轴指向驾驶员的右侧,车辆坐标系的Z轴垂直于地面且指向车辆上方。应当理解,在车辆行驶过程中的不同时刻,由于车辆所处的位置不同,所建立的车辆坐标系也存在差异。
世界坐标系(World Coordinate System,WCS)是系统的绝对坐标系,在没有建立其他坐标系之前画面上所有点的坐标都是以该坐标系的原点来确定各自的位置的。世界坐标系用来描述地球上的绝对位置和相对位置关系。世界坐标系是一个相对于物体固定的坐标系,因此,无论物体如何旋转、平移和缩放,世界坐标系的位置和方向都不会改变。
最邻近搜索(Nearest Neighbor Search,NNS)也称为最近点搜索(Closest PointSearch),是指在搜索空间内找到距离搜索对象最近的一个或多个数据。距离的度量方法可以包括但不限于欧几里得距离(Euclidean Distance)、汉明距离 (Hamming Distance)、曼哈顿距离(Manhattan Distance)、切比雪夫距离(Chebyshev Distance)、余弦相似度(Cosine Similarity)等。搜索算法可以包括但不限于K最近邻(K-Nearest Neighbor,KNN)分类算法、近似最近邻搜索(Approximate Nearest Neighbor Search,ANNS)、最近邻距离比(Nearest Neighbor Distance Ratio)、固定半径近邻(Fixed Radius NearestNeighbor)算法等。
进一步地,在确定每个位置的车辆所在的目标特征区域后,服务器基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,这里,目标方程用于对测量得到的组合导航设备与车辆之间的初始外参(即,初始变换矩阵)进行优化;在构建目标方程后,服务器对目标方程进行迭代优化,得到目标变换矩阵,即,组合导航设备与车辆之间的标定外参。
通常,在自动驾驶系统中,可以将各个传感器的数据进行融合,以实现更好的自动控制效果。由于多种传感器在车辆上的安装位置不同,采集数据时可能采用不同的坐标系,为了使各个传感器采集的数据能够组合使用,需要获取各个传感器之间的相对位姿信息,这一获取相对位姿信息的过程可以称为标定,而用于表征各个传感器之间的相对位姿信息的数据可以称为标定参数。通过标定参数,能够将各个传感器采集的数据进行坐标转换,有利于数据融合和处理。
外参也称为外部参数或位姿参数,是指将一个坐标系中的坐标点通过旋转和平移转换到另一个坐标系中所需的参数。外参可以包括六自由度的参数,六自由度是指物体在三维坐标系中具有六个自由度,包括X、Y、Z三个直角坐标轴方向的移动自由度(即,平移)和绕三个轴的转动自由度(即,旋转)。
组合导航设备的外参标定是指对安装在车辆上的组合导航设备进行外参标定,即,确定组合导航设备与车辆之间的相对位置关系。外参标定是自动驾驶领域非常重要的一个环节,自动驾驶领域中定位和感知均需要依赖精确的外参,一旦组合导航设备的外参不准确,将影响车辆在真实环境中位置的确定,进而无法实现对车辆的准确控制。
变换矩阵是数学线性代数中的一个概念。在线性代数中,线性变换能够用变换矩阵表示。最常用的几何变换都是线性变换,包括旋转、平移、缩放、切变、反射和正投。在本公开实施例中,以线性变换包括旋转和平移为例进行示意,即,变换矩阵可以表示的线性变换包括旋转和平移。
需要说明的是,标定参数会在迭代处理的过程中不断优化,因此,对于点云数据第一次进行坐标转换时采用的标定参数(即,初始外参)可以不进行精度和准确性的要求,也就是说,在进行迭代优化前的初始外参可以是粗略测量得到的。本公开实施例对初始外参的获取方法不作具体限定。
根据本公开实施例提供的技术方案,通过获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,位姿数据用于表征车辆在各个位置的位姿;基于点云数据,生成点云地图,并基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域;获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;基于车辆在世界坐标系下的坐标,在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,对目标方程进行求解,得到组合导航设备与车辆之间的外参,能够快速、精确地对组合导航设备与车辆之间的外参进行标定,因此,减少了标定误差,提高了标定效率和标定精度,提升了定位准确性和可靠性,实现了对车辆的准确控制。
在一些实施例中,基于点云数据,生成点云地图,包括:将点云数据从数据采集设备坐标系转换到笛卡尔坐标系;对转换后的点云数据进行累积,得到累积后的点云数据;基于累积后的点云数据,生成点云地图。
具体地,考虑到激光雷达和组合导航设备在车辆上的安装位置不同,在进行坐标转换时,需要基于激光雷达和组合导航设备的相对位置关系,将激光雷达采集的点云数据和组合导航设备采集的位姿数据归一化到同一个参考原点。由于激光雷达是在激光雷达坐标系(即,极坐标系)中进行数据采集,因此,需要将激光雷达采集的点云数据从激光雷达坐标系转换到笛卡尔坐标系中。进一步地,由于行车区域中目标对象为行驶状态,当激光雷达对目标对象进行多次扫描时,会使目标对象的每帧点云数据产生一种运动畸变(即,每帧点云数据不在同一坐标下),因此,需要对每帧点云数据进行累积处理(即,将不同坐标下的每帧点云数据进行坐标配准),并基于累积后的点云数据,生成点云地图。
示例性地,服务器确定每帧点云数据对应的目标累积位置,并基于目标累积位置确定与每帧点云数据对应的坐标变换矩阵。应当理解,每帧点云数据产生的运动畸变不同,所对应的坐标变换矩阵也不同。服务器对每帧点云数据分别进行累积处理,使得每帧点云数据均转换到目标累积位置所对应的目标区域下,即,将每帧点云数据的点云坐标与对应的坐标变换矩阵相乘,得到位于目标区域下的每帧点云数据的点云坐标。这里,目标累积位置可为任意一帧点云数据所对应的检测框区域,也可为用户自定义的行车区域中的其他检测框区域。
根据本公开实施例提供的技术方案,通过将点云数据从数据采集设备坐标系转换到笛卡尔坐标系,对转换后的点云数据进行累积,并基于累积后的点云数据生成点云地图,能够快速地构建精准的点云地图,并且数据计算量较小。
在一些实施例中,基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域,包括:对点云地图进行体素化特征提取,得到体素化网格;基于体素分块规则,对体素化网格进行分块处理,得到多个特征块;选取多个特征块中最小的特征块作为目标特征区域,其中,多个特征区域包括多个目标特征区域。
具体地,在生成点云地图后,服务器对点云地图进行体素化特征提取,得到体素化网格。这里,体素(Voxel)是点云的一种规则化表示形式。体素化特征提取是将点云地图中的点云数据划分到规则的体素化网格中。对点云地图进行体素化特征提取的过程是一个下采样的过程,将点云地图中以坐标点作为计量单位的点云数据转换为以小的单位空间作为计量单位的体素化数据。
接下来,服务器基于体素分块规则,对体素化网格进行分块处理,得到多个特征块,并选取多个特征块中最小的特征块作为目标特征区域。这里,体素分块规则是指采用诸如八叉树的划分方式对体素化网格进行切分,直至切分得到符合平面构成条件的特征块为止。应当理解,由于车辆在不同时刻对应不同的位置,因此,对体素化网格进行分块处理得到的多个特征块所对应的车辆的位置不同。
根据本公开实施例提供的技术方案,通过对点云地图进行体素化特征提取,能够去除点云地图中的噪声点云和离群点云,因此,降低了点云的密度,减少了点云中点的数量,提高了提高车辆定位的准确性与效率。
在一些实施例中,基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标,包括:基于位姿数据和车辆在车辆坐标系下的坐标,并通过如下公式计算车辆在世界坐标系下的坐标:,其中,表示车辆在世界坐标系下的坐标,/>表示组合导航坐标系到世界坐标系的变换矩阵,/>表示车辆坐标系到组合导航坐标系的变换矩阵,/>表示车辆在车辆坐标系下的坐标。
具体地,对于每个位置的车辆,其在车辆坐标系下的坐标是固定的,并且可以通过测量得到。为了得到车辆在世界坐标系下的坐标,在进行坐标系转换时,首先基于组合导航设备和车辆后轴中心的相对位置关系,将车辆后轴中心的点云数据从车辆坐标系转换到组合导航坐标系中;然后,再基于组合导航设备采集的车辆的位姿数据,将车辆后轴中心的点云数据从组合导航坐标系转换到世界坐标系中。可以通过如下公式计算得到车辆在世界坐标系下的坐标:
,
这里,表示车辆在世界坐标系下的坐标,/>表示组合导航坐标系到世界坐标系的变换矩阵,/>表示车辆坐标系到组合导航坐标系的变换矩阵,即,组合导航设备与车辆之间的初始外参;/>表示车辆在车辆坐标系下的坐标。
需要说明的是,是一个变量,其值可以基于组合导航设备采集的车辆的位姿数据通过粗略测量得到;/>是一个固定值。
根据本公开实施例提供的技术方案,通过进行坐标系转换,能够快速地得到车辆在世界坐标系下的坐标。
在一些实施例中,目标特征区域为平面,基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,包括:基于车辆在世界坐标系下的坐标,计算车辆在平面的投影点的投影点坐标;基于车辆在平面的投影点坐标和平面的中心点坐标,构建目标方程。
具体地,目标特征区域可以为平面,在三维空间中,平面方程可以定义为:
,
这里,A、B、C和D为平面方程系数,A、B、C和D为已知常数且A、B和C不同时为零;X、Y和Z为自变量,(A,B,C)表示平面的法向量,D用于表征偏移量。
如图4所示,图4为本公开一示例性实施例提供的在平面上采样获得的各个位置的车辆的效果示意图。对于多个特征区域中的每个特征区域(即,目标特征区域),将车辆在世界坐标系下的坐标投影到平面中,并获取车辆在平面的投影点的投影点坐标,即,计算点(即,三维空间中的车辆)到平面的距离;基于车辆在平面的投影点坐标和平面的中心点坐标,构建每个特征区域对应的目标方程(也称为误差方程或残差方程),该目标方程可以为:
,
其中,表示目标变换矩阵,/>表示使/>达到最小值时的/>取值,N表示平面的数量,/>表示平面的法向量转置,/>表示车辆在平面的投影点坐标且基于/>计算得到,/>表示平面的中心点坐标。
根据本公开实施例提供的技术方案,通过基于车辆在世界坐标系下的坐标计算车辆在平面的投影点的投影点坐标,并基于车辆在平面的投影点坐标和平面的中心点坐标构建目标方程,能够快速、精确地对组合导航设备与车辆之间的外参进行标定,因此,消除了组合导航设备的安装误差,提高了标定效率和标定精度,提升了定位准确性和可靠性,实现了对车辆的准确控制。
在一些实施例中,该方法还包括:在确定组合导航设备与车辆之间的外参不满足预设精度要求的情况下,向用户发送提示信息,以提示用户重新对组合导航设备与车辆之间的外参进行标定。
具体地,考虑到通过求解目标方程得到的组合导航设备与车辆之间的外参也可能存在精度不够的情况,因此,在求解目标方程得到外参后,可以进一步对外参进行质检,以保证标定的外参具有足够高的精度。示例性地,在求解目标方程得到外参后,可以基于外参确定车辆的定位精度是否满足预设精度要求,如果定位精度满足预设精度要求,则表示本次外参标定任务成功;如果定位精度不满足预设精度要求,则表示本次外参标定任务失败,服务器可以通过弹窗、声音、震动、灯光中的至少一种方式向用户发送提示信息,以提示用户核查外参标定任务失败的原因和/或重新对组合导航设备与车辆之间的外参进行标定。
这里,预设精度要求是指定位精度应当满足的要求。预设精度要求可以是用户根据经验数据预先设置的精度,也可以是用户根据实际需要对已设置的精度进行调整后得到的精度,本公开实施例对此不作限制。示例性地,预设精度要求可以是定位精度大于或等于10米,也可以是定位精度是否小于15米,或者还可以是定位精度大于或等于10米且小于15米,本公开实施例对此不作限制。在本公开实施例中,预设精度要求可以是定位精度小于1米至10米范围内的任一值,优选地,预设精度要求为定位精度小于3米。
根据本公开实施例提供的技术方案,通过对求解目标方程得到的组合导航设备与车辆之间的外参进行质检,不仅能够快速地确定车辆上安装的组合导航设备是否需要重新标定,而且能够保证标定的外参具有足够高的精度,因此,减少了位姿感知错误的情况,提高了定位准确性和可靠性,实现了对车辆的准确控制。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。此外,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本公开实施例的实施过程构成任何限定。
图5为本公开一示例性实施例提供的另一种外参标定方法的流程示意图。图5的外参标定方法可以由自动驾驶系统中的服务器或电子设备执行。如图5所示,该外参标定方法可以包括:
S501,获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,位姿数据用于表征车辆在各个位置的位姿;
S502,将点云数据从数据采集设备坐标系转换到笛卡尔坐标系,对转换后的点云数据进行累积,并基于累积后的点云数据生成点云地图;
S503,对点云地图进行体素化特征提取得到体素化网格,基于体素分块规则对体素化网格进行分块处理得到多个特征块,选取多个特征块中最小的特征块作为目标特征区域;
S504,获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;
S505,基于车辆在世界坐标系下的坐标,在多个目标特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;
S506,基于车辆在世界坐标系下的坐标计算车辆在平面的投影点的投影点坐标,基于车辆在平面的投影点坐标和平面的中心点坐标,构建目标方程;
S507,对目标方程进行求解,得到组合导航设备与车辆之间的外参;
S508,在确定组合导航设备与车辆之间的外参不满足预设精度要求的情况下,向用户发送提示信息,以提示用户重新对组合导航设备与车辆之间的外参进行标定。
根据本公开实施例提供的技术方案,通过对组合导航设备与车辆之间的外参进行优化,能够减少标定误差,提高标定效率和标定精度,因此,提升了定位准确性和可靠性,实现了对车辆的准确控制。
在采用对应各个功能划分各个功能模块的情况下,本公开实施例提供了一种外参标定装置,该外参标定装置可以为服务器或应用于服务器的芯片。图6为本公开一示例性实施例提供的一种外参标定装置的结构示意图。如图6所示,该外参标定装置600包括:
获取模块601,被配置为获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,位姿数据用于表征车辆在各个位置的位姿;
生成模块602,被配置为基于点云数据,生成点云地图,并基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域;
转换模块603,被配置为获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;
搜索模块604,被配置为基于车辆在世界坐标系下的坐标,在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;
构建模块605,被配置为基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,对目标方程进行求解,得到组合导航设备与车辆之间的外参。
根据本公开实施例提供的技术方案,通过获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,位姿数据用于表征车辆在各个位置的位姿;基于点云数据,生成点云地图,并基于预设的区域划分规则对点云地图进行区域划分,得到多个特征区域;获取各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于位姿数据对车辆在车辆坐标系下的坐标进行转换,得到车辆在世界坐标系下的坐标;基于车辆在世界坐标系下的坐标,在多个特征区域中进行最邻近搜索,以确定每个位置的车辆所在的目标特征区域;基于车辆在世界坐标系下的坐标和目标特征区域的中心点坐标,构建目标方程,对目标方程进行求解,得到组合导航设备与车辆之间的外参,能够快速、精确地对组合导航设备与车辆之间的外参进行标定,因此,减少了标定误差,提高了标定效率和标定精度,提升了定位准确性和可靠性,实现了对车辆的准确控制。
在一些实施例中,图6的生成模块602将点云数据从数据采集设备坐标系转换到笛卡尔坐标系;对转换后的点云数据进行累积,得到累积后的点云数据;基于累积后的点云数据,生成点云地图。
在一些实施例中,图6的生成模块602对点云地图进行体素化特征提取,得到体素化网格;基于体素分块规则,对体素化网格进行分块处理,得到多个特征块;选取多个特征块中最小的特征块作为目标特征区域,其中,多个特征区域包括多个目标特征区域。
在一些实施例中,图6的转换模块603基于位姿数据和车辆在车辆坐标系下的坐标,并通过如下公式计算车辆在世界坐标系下的坐标:,其中,/>表示车辆在世界坐标系下的坐标,/>表示组合导航坐标系到世界坐标系的变换矩阵,/>表示车辆坐标系到组合导航坐标系的变换矩阵,/>表示车辆在车辆坐标系下的坐标。
在一些实施例中,目标特征区域为平面,图6的构建模块605基于车辆在世界坐标系下的坐标,计算车辆在平面的投影点的投影点坐标;基于车辆在平面的投影点坐标和平面的中心点坐标,构建目标方程。
在一些实施例中,目标方程为:其中,/>表示目标变换矩阵,/>表示使/>达到最小值时的/>取值,N表示平面的数量,/>表示平面的法向量转置,/>表示车辆在平面的投影点坐标且基于/>计算得到,/>表示平面的中心点坐标。
在一些实施例中,图6的外参标定装置600还包括:发送模块606,被配置为在确定组合导航设备与车辆之间的外参不满足预设精度要求的情况下,向用户发送提示信息,以提示用户重新对组合导航设备与车辆之间的外参进行标定。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
本公开实施例还提供一种电子设备,包括:至少一个处理器;用于存储至少一个处理器可执行指令的存储器;其中,至少一个处理器用于执行指令,以实现本公开实施例公开的上述外参标定方法的步骤。
图7为本公开一示例性实施例提供的电子设备的结构示意图。如图7所示,该电子设备700包括至少一个处理器701以及耦接至处理器701的存储器702,该处理器701可以执行本公开实施例公开的上述方法中的相应步骤。
上述处理器701还可以称为中央处理单元(Central Processing Unit,CPU),其可以是一种集成电路芯片,具有信号的处理能力。本公开实施例公开的上述方法中的各步骤可以通过处理器701中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器701可以是通用处理器、数字信号处理器(Digital Signal Processing,DSP)、ASIC、现成可编程门阵列(Field-programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于存储器702中,例如随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质。处理器701读取存储器702中的信息,结合其硬件完成上述方法的步骤。
另外,根据本公开的各种操作/处理在通过软件和/或固件实现的情况下,可从存储介质或网络向具有专用硬件结构的计算机系统,例如,图8所示的计算机系统800安装构成该软件的程序,该计算机系统在安装有各种程序时,能够执行各种功能,包括诸如前文所述的功能等等。图8为本公开一示例性实施例提供的计算机系统的结构示意图。
计算机系统800旨在表示各种形式的数字电子的计算机设备,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。计算机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/或者要求的本公开的实现。
如图8所示,计算机系统800包括计算单元801,该计算单元801可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储单元808加载到随机存取存储器(RAM)803中的计算机程序,来执行各种适当的动作和处理。在RAM 803中,还可存储计算机系统800操作所需的各种程序和数据。计算单元801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
计算机系统800中的多个部件连接至I/O接口805,包括:输入单元806、输出单元807、存储单元808以及通信单元809。输入单元806可以是能向计算机系统800输入信息的任何类型的设备,输入单元806可以接收输入的数字或字符信息,以及产生与计算机设备的用户设置和/或功能控制有关的键信号输入。输出单元807可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元808可以包括但不限于磁盘、光盘。通信单元809允许计算机系统800通过网络诸如因特网的与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如,蓝牙TM设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元801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。计算单元801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计算单元、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。计算单元801执行上文所描述的各个方法和处理。例如,在一些实施例中,本公开实施例公开的上述方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如,存储单元808。在一些实施例中,计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到计算机系统800上。在一些实施例中,计算单元801可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开实施例公开的上述方法。
本公开实施例还提供一种计算机可读存储介质,其中,当计算机可读存储介质中的指令由电子设备的处理器执行时,使得该电子设备能够执行本公开实施例公开的上述方法。
本公开实施例中的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程序。上述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。更具体的,上述计算机可读存储介质可以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。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
本公开实施例还提供一种计算机程序产品,包括计算机程序,其中,该计算机程序被处理器执行时实现本公开实施例公开的上述方法。
在本公开的实施例中,可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机,或者,可以连接到外部计算机。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的模块、部件或单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,模块、部件或单元的名称在某种情况下并不构成对该模块、部件或单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示例性的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种外参标定方法,其特征在于,包括:
获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,所述位姿数据用于表征车辆在各个位置的位姿;
基于所述点云数据,生成点云地图,并基于预设的区域划分规则对所述点云地图进行区域划分,得到多个特征区域;
获取所述各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于所述位姿数据对所述车辆在所述车辆坐标系下的坐标进行转换,得到所述车辆在世界坐标系下的坐标;
基于所述车辆在所述世界坐标系下的坐标,在所述多个特征区域中进行最邻近搜索,以确定所述每个位置的车辆所在的目标特征区域;
基于所述车辆在所述世界坐标系下的坐标和所述目标特征区域的中心点坐标,构建目标方程,对所述目标方程进行求解,得到所述组合导航设备与所述车辆之间的外参。
2.根据权利要求1所述的方法,其特征在于,所述基于所述点云数据,生成点云地图,包括:
将所述点云数据从数据采集设备坐标系转换到笛卡尔坐标系;
对转换后的点云数据进行累积,得到累积后的点云数据;
基于所述累积后的点云数据,生成所述点云地图。
3.根据权利要求1所述的方法,其特征在于,所述基于预设的区域划分规则对所述点云地图进行区域划分,得到多个特征区域,包括:
对所述点云地图进行体素化特征提取,得到体素化网格;
基于体素分块规则,对所述体素化网格进行分块处理,得到多个特征块;
选取所述多个特征块中最小的特征块作为所述目标特征区域,
其中,所述多个特征区域包括多个所述目标特征区域。
4.根据权利要求1所述的方法,其特征在于,所述基于所述位姿数据对所述车辆在所述车辆坐标系下的坐标进行转换,得到所述车辆在世界坐标系下的坐标,包括:
基于所述位姿数据和所述车辆在所述车辆坐标系下的坐标,并通过如下公式计算所述车辆在所述世界坐标系下的坐标:
,
其中,表示所述车辆在所述世界坐标系下的坐标,/>表示组合导航坐标系到所述世界坐标系的变换矩阵,/>表示所述车辆坐标系到所述组合导航坐标系的变换矩阵,/>表示所述车辆在所述车辆坐标系下的坐标。
5.根据权利要求4所述的方法,其特征在于,所述目标特征区域为平面,所述基于所述车辆在所述世界坐标系下的坐标和所述目标特征区域的中心点坐标,构建目标方程,包括:
基于所述车辆在所述世界坐标系下的坐标,计算所述车辆在所述平面的投影点的投影点坐标;
基于所述车辆在所述平面的所述投影点坐标和所述平面的中心点坐标,构建所述目标方程。
6.根据权利要求5所述的方法,其特征在于,所述目标方程为:
,
其中,表示目标变换矩阵,/>表示使/>达到最小值时的/>取值,N表示所述平面的数量,/>表示所述平面的法向量转置,/>表示所述车辆在所述平面的投影点坐标且基于/>计算得到,/>表示所述平面的中心点坐标。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述方法还包括:
在确定所述组合导航设备与所述车辆之间的外参不满足预设精度要求的情况下,向用户发送提示信息,以提示所述用户重新对所述组合导航设备与所述车辆之间的外参进行标定。
8.一种外参标定装置,其特征在于,包括:
获取模块,被配置为获取数据采集设备采集的点云数据和组合导航设备采集的位姿数据,其中,所述位姿数据用于表征车辆在各个位置的位姿;
生成模块,被配置为基于所述点云数据,生成点云地图,并基于预设的区域划分规则对所述点云地图进行区域划分,得到多个特征区域;
转换模块,被配置为获取所述各个位置中的每个位置的车辆在车辆坐标系下的坐标,并基于所述位姿数据对所述车辆在所述车辆坐标系下的坐标进行转换,得到所述车辆在世界坐标系下的坐标;
搜索模块,被配置为基于所述车辆在所述世界坐标系下的坐标,在所述多个特征区域中进行最邻近搜索,以确定所述每个位置的车辆所在的目标特征区域;
构建模块,被配置为基于所述车辆在所述世界坐标系下的坐标和所述目标特征区域的中心点坐标,构建目标方程,对所述目标方程进行求解,得到所述组合导航设备与所述车辆之间的外参。
9.一种电子设备,其特征在于,包括:
至少一个处理器;
用于存储所述至少一个处理器可执行指令的存储器;
其中,所述至少一个处理器用于执行所述指令,以实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得所述电子设备能够执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311505486.XA CN117557654A (zh) | 2023-11-13 | 2023-11-13 | 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 |
---|---|---|---|
CN202311505486.XA CN117557654A (zh) | 2023-11-13 | 2023-11-13 | 外参标定方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117557654A true CN117557654A (zh) | 2024-02-13 |
Family
ID=89822654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311505486.XA Pending CN117557654A (zh) | 2023-11-13 | 2023-11-13 | 外参标定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557654A (zh) |
-
2023
- 2023-11-13 CN CN202311505486.XA patent/CN117557654A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921947B (zh) | 生成电子地图的方法、装置、设备、存储介质以及采集实体 | |
KR102581263B1 (ko) | 위치 추적 방법, 장치, 컴퓨팅 기기 및 컴퓨터 판독 가능한 저장 매체 | |
CN109270545B (zh) | 一种定位真值校验方法、装置、设备及存储介质 | |
CN110889808B (zh) | 一种定位的方法、装置、设备及存储介质 | |
CN114599995A (zh) | 根据静止路边对象的雷达回波估计面内速度 | |
JP2020530569A (ja) | 車両センサの較正及び位置特定 | |
CN112051575B (zh) | 一种毫米波雷达与激光雷达的调整方法及相关装置 | |
RU2767949C2 (ru) | Способ (варианты) и система для калибровки нескольких лидарных датчиков | |
US11860315B2 (en) | Methods and systems for processing LIDAR sensor data | |
CN114111774B (zh) | 车辆的定位方法、系统、设备及计算机可读存储介质 | |
US11860281B2 (en) | Methods and systems for filtering data points when merging LIDAR sensor datasets | |
CN113887400B (zh) | 障碍物检测方法、模型训练方法、装置及自动驾驶车辆 | |
CN114527490A (zh) | 在车辆运行时检测三维结构模型 | |
CN110989619B (zh) | 用于定位对象的方法、装置、设备和存储介质 | |
CN117392241B (zh) | 自动驾驶中的传感器标定方法、装置及电子设备 | |
CN114092660A (zh) | 高精地图生成方法、装置及用于生成地图的车辆 | |
CN117557654A (zh) | 外参标定方法、装置、电子设备及存储介质 | |
US12085403B2 (en) | Vehicle localisation | |
US20240053487A1 (en) | Systems and methods for transforming autonomous aerial vehicle sensor data between platforms | |
US20220205804A1 (en) | Vehicle localisation | |
US11628856B2 (en) | Systems and methods for estimating cuboids from LiDAR, map and image data | |
CN117593383A (zh) | 外参标定方法和装置及外参检测方法和装置 | |
WO2023150961A1 (zh) | 一种标定方法及装置 | |
RU2775822C1 (ru) | Способы и системы для обработки данных лидарных датчиков | |
US20240142588A1 (en) | Systems and methods for calibration and validation of non-overlapping range sensors of an autonomous vehicle |
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 |