CN117635720A - 自移动设备的传感器标定方法、装置、设备和存储介质 - Google Patents
自移动设备的传感器标定方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117635720A CN117635720A CN202210952170.4A CN202210952170A CN117635720A CN 117635720 A CN117635720 A CN 117635720A CN 202210952170 A CN202210952170 A CN 202210952170A CN 117635720 A CN117635720 A CN 117635720A
- Authority
- CN
- China
- Prior art keywords
- self
- preset
- value
- calibration
- operation data
- 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 97
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 59
- 230000008569 process Effects 0.000 claims description 47
- 238000005457 optimization Methods 0.000 claims description 45
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000010408 sweeping Methods 0.000 description 42
- 230000000875 corresponding effect Effects 0.000 description 39
- 238000004458 analytical method Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013519 translation Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本申请涉及一种自移动设备的传感器标定方法、装置、设备、存储介质和计算机程序产品。所述方法包括:采集自移动设备在当前时间窗口下的运行数据;利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;所述预设标定参数为从所述指定传感器的标定参数中筛选出的可观测参数,所述可观测参数是指基于所述自移动设备的运行数据可被估计的参数;根据优化后的所述预设标定参数的数值,输出所述指定传感器的标定结果。采用本方法能够大大提高对自移动设备中传感器的标定效率。
Description
技术领域
本申请涉及自移动设备的数据处理技术领域,特别是涉及一种自移动设备的传感器标定方法、装置、设备和存储介质。
背景技术
扫地机器人是一种家用的对室内环境进行清洁的自移动设备,可以在无人看管的情况下进行自动清洁,并会根据室内环境自动规划路径进行清洁,即利用自移动设备上的摄像头采集室内的图像信息,该自移动设备的中央处理器(CPU)能够计算室内三维空间中物体的几何信息,并由此重建或识别物体,实现认知室内环境,从而完成清洁工作。
为了使自移动设备能够准确地执行清洁工作,需要对自移动设备的传感器进行标定,传统的标定方案中,通常需要人工进行繁杂操作才能完成对自移动设备的传感器进行标定的过程,大大降低了自移动设备标定的效率。
发明内容
基于此,有必要针对上述技术问题,提供一种自移动设备的传感器标定方法、装置、设备和存储介质,能够大大提高对自移动设备中传感器的标定效率。
第一方面,本申请提供了一种自移动设备的传感器标定方法,所述方法包括:
采集自移动设备在当前时间窗口下的运行数据;
利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;所述预设标定参数为从所述指定传感器的标定参数中筛选出的可观测参数,所述可观测参数是指基于所述自移动设备的运行数据可被估计的参数;
根据优化后的所述预设标定参数的数值,输出所述指定传感器的标定结果。
在其中的一个实施例中,所述对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化,包括:
在所述当前时间窗口下的运行数据中的特征点满足预设条件的情况下,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化。
在其中的一个实施例中,至少利用下述方式确定所述当前时间窗口下的运行数据中的特征点满足预设条件:
采集所述自移动设备在工作时的图像信息;
确定所述图像信息中特征点的像素位置;
基于所述自移动设备与所述特征点之间的深度信息,确定所述特征点的投影位置;
基于所述像素位置和所述投影位置计算所述特征点的重投影误差;
当所述重投影误差大于预设误差时,则所述特征点满足所述预设条件。
在其中的一个实施例中,至少利用下述方式确定所述当前时间窗口下的运行数据中的特征点满足预设条件:
在所述运行数据的目标关键帧中选取至少两个所述特征点;
依据所述至少两个所述特征点,在所述运行数据的其它关键帧中查找匹配特征点;
当所述匹配特征点的数量与至少两个所述特征点的数量之间的比值小于预设比值时,则所述特征点满足所述预设条件。
在其中的一个实施例中,所述方法还包括:
在进行优化的过程中,实时采集所述自移动设备的偏航角;
对预设数量的偏航角进行差值计算,得到所述自移动设备的偏航角在优化过程中的差值;
当所述差值满足差值条件时,获得优化后的所述预设标定参数的数值。
在其中的一个实施例中,所述差值包括方差或标准差;所述根据优化后的所述预设标定参数的数值,输出所述指定传感器的标定结果包括:
当所述自移动设备的偏航角在优化过程中的方差不大于预设方差,或所述自移动设备的偏航角在优化过程中的标准差不大于预设标准差时,停止对所述预设标定参数的数值进行优化,获得优化后的所述预设标定参数的数值;
所述根据优化后的所述预设标定参数的数值,输出所述指定传感器的标定结果包括:
将优化后的所述预设标定参数的数值作为所述指定传感器的标定结果。
在其中的一个实施例中,所述对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化之前,所述方法还包括:
获取所述指定传感器所关联的标定参数样本数据集;其中,所述标定参数样本数据集包含所述指定传感器在样本设备中的标定结果;所述样本设备是指与所述自移动设备的批次标识相同的设备;
利用所述指定传感器所关联的标定参数样本数据集,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行初始化,得到所述预设标定参数的初始化参数值;
所述利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化包括:利用所述运行数据对所述预设标定参数的初始化参数值进行优化。
在其中的一个实施例中,所述利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化,包括:
根据所述运行数据和目标函数,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;其中,所述目标函数用于表征预设标定参数的数值与自移动设备的运行数据之间的关联关系;所述目标函数在最小二乘法函数约束下构建,所述最小二乘法函数用于表征预设标定参数的预测数值与参数标签值之间的误差。
第二方面,本申请还提供了一种自移动设备的传感器标定装置,所述装置包括:
采集模块,用于采集自移动设备在当前时间窗口下的运行数据;
优化模块,用于利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;所述预设标定参数为从所述指定传感器的标定参数中筛选出的可观测参数,所述可观测参数是指基于所述自移动设备的运行数据可被估计的参数;
确定模块,用于根据优化后的所述预设标定参数的数值,输出所述指定传感器的标定结果。
在其中的一个实施例中,所述优化模块,还用于在所述当前时间窗口下的运行数据中的特征点满足预设条件的情况下,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化。
在其中的一个实施例中,所述装置还包括:
所述采集模块,还用于采集所述自移动设备在工作时的图像信息;
所述确定模块,还用于确定所述图像信息中特征点的像素位置;基于所述自移动设备与所述特征点之间的深度信息,确定所述特征点的投影位置;
第一计算模块,用于基于所述像素位置和所述投影位置计算所述特征点的重投影误差;当所述重投影误差大于预设误差时,则所述特征点满足所述预设条件。
在其中的一个实施例中,所述装置还包括:
选取模块,用于在所述运行数据的目标关键帧中选取至少两个所述特征点;
查找模块,用于依据所述至少两个所述特征点,在所述运行数据的其它关键帧中查找匹配特征点;当所述匹配特征点的数量与至少两个所述特征点的数量之间的比值小于预设比值时,则所述特征点满足所述预设条件。
在其中的一个实施例中,所述装置还包括:
所述采集模块,还用于在进行优化的过程中,实时采集所述自移动设备的偏航角;
第二计算模块,用于对预设数量的偏航角进行差值计算,得到所述自移动设备的偏航角在优化过程中的差值;当所述差值满足差值条件时,获得优化后的所述预设标定参数的数值。
在其中的一个实施例中,所述差值包括方差或标准差;
所述第二计算模块,还用于当所述自移动设备的偏航角在优化过程中的方差不大于预设方差,或所述自移动设备的偏航角在优化过程中的标准差不大于预设标准差时,停止对所述预设标定参数的数值进行优化,获得优化后的所述预设标定参数的数值;
确定模块,还用于将优化后的所述预设标定参数的数值作为所述指定传感器的标定结果。
在其中的一个实施例中,所述装置还包括:
获取模块,用于获取所述指定传感器所关联的标定参数样本数据集;其中,所述标定参数样本数据集包含所述指定传感器在样本设备中的标定结果;所述样本设备是指与所述自移动设备的批次标识相同的设备;
初始化模块,用于利用所述指定传感器所关联的标定参数样本数据集,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行初始化,得到所述预设标定参数的初始化参数值;
所述优化模块,还用于利用所述运行数据对所述预设标定参数的初始化参数值进行优化。
在其中的一个实施例中,所述优化模块,还用于根据所述运行数据和目标函数,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;其中,所述目标函数用于表征预设标定参数的数值与自移动设备的运行数据之间的关联关系;所述目标函数在最小二乘法函数约束下构建,所述最小二乘法函数用于表征预设标定参数的预测数值与参数标签值之间的误差。
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,所述处理器执行所述计算机程序时实现上述各方面提供的自移动设备的传感器标定方法中的步骤。
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上述各方面提供的自移动设备的传感器标定方法中的步骤。
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,所述计算机程序被处理器执行时实现上述各方面提供的自移动设备的传感器标定方法中的步骤。
本申请实施例提供的自移动设备的传感器标定方法,通过预先从传感器的标定参数中选择出可基于运行数据被估计的标定参数作为预设标定参数,再利用自移动设备的运行数据对预先选出的预设标定参数进行在线标定,可以实现至少部分标定参数的快速在线标定,提高传感器标定的简便性以及效率;同时,还可以实现基于自移动设备的实时运行数据及时修正预设标定参数的数据,保证传感器相对位置关系的实时准确表征,进而提高自移动设备控制的准确性。
附图说明
图1为一个实施例中自移动设备的传感器标定方法的应用环境图;
图2为一个实施例中自移动设备的传感器标定方法的流程示意图;
图3为一个实施例中对自移动设备中的指定传感器所对应的预设标定参数的数值进行初始化,并进行优化的流程示意图;
图4为一个实施例中自移动设备的传感器标定装置的结构框图;
图5为一个实施例中自移动设备的传感器标定装置的结构框图;
图6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移动设备的传感器标定方法,可以应用于如图1所示的应用环境中。其中,自移动设备102通过网络与服务器104、终端106进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
其中,自移动设备102可以是自动对室内环境进行清洁的清洁设备或其它可移动的设备,该清洁设备可以是扫地机器人、拖地机、吸尘机和扫拖一体机等。
服务器104可以在需要进行系统更新时,依据用户操作建立自移动设备102与服务器104之间的网络连接,然后下载更新版本的系统进行更新。该服务器104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,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。
终端106可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能手表、物联网设备和便携式可穿戴设备等,用户可以利用该终端106控制自移动设备对整个室内环境或该室内环境内的特定区域进行清洁。
本说明书提供的一个场景示例中,以对扫地机器人的相机和里程计进行标定为例进行说明如下。扫地机器人在运行过程中,通常需要利用相机和里程计联合估算移动机器人的运动状态,因此,相机和里程计之间的准确标定,对提高扫地机器人运行的稳定性是非常重要的。传统的标定方案中,通常需要人工进行繁杂操作才能完成对相机和里程计的标定,效率较低,且操作复杂繁琐。
本场景示例中,可以先依据可观性分析,从相机与里程计的标定参数中筛选出基于扫地机器人的运行数据可估计的标定参数,作为预设标定参数。可以将上述预设标定参数与相机和里程计关联后存储。
之后,可以针对预先筛选出的预设标定参数,利用扫地机器人的运行数据对预设标定参数进行在线标定。所述在线标定可以随着扫地机器人的运行实时进行。若所述在线标定随着扫地机器人的运行实时进行,则可以利用扫地机器人的实时运行数据对预设标定参数进行在线优化,进一步保证扫地机器人运行所依赖的传感器标定结果的准确性,进而提高扫地机器人运行的稳定性。当然,所述在线标定也可以在指定时间点或者根据用户的指令进行,本说明书不做限定。
对所述相机和里程计进行在线标定的过程中,可以基于扫地机器人的运行数据判断扫地机器人在相应时间窗口下的运行稳定性。若自移动设备的运行较为稳定,则可以不对预设标定参数进行优化;而若自移动设备的运行稳定性较差,则对预设标定参数进行优化。如可以利用扫地机器人在某时间窗口下的特征点的重投影误差,确定是否需要对预设标定参数进行优化,在确定需要优化时,再利用该时间窗口下的运行数据对预设标定参数进行优化。传感器的标定涉及的数据处理量通常较大,本场景示例中,通过分析自移动设备在某时间窗口下的实际运行情况,确定在该时间窗口下是否对预设标定参数进行优化,可以在保证自移动设备运行稳定性的同时,有效降低数据处理量。
在确定需要对预设标定参数进行优化的情况下,可以利用扫地机器人在时间窗口下的运行位置、障碍物位置以及距离值等运行数据,对相机和里程计所对应的预设标定参数的数值进行优化,得到优化后的预设标定参数的数值,作为里程计和相机的标定结果。之后,扫地机器人可以依据相机和里程计的标定结果进行运行控制,从而提高扫地机器人运行的稳定性。
本场景示例,通过预先从相机和里程计的标定参数中选择出可基于运行数据被估计的标定参数作为预设标定参数,再利用自移动设备的运行数据对预先选出的预设标定参数进行在线标定,可以实现至少部分标定参数的快速在线标定,提高相机和里程计参数标定的简便性以及效率;同时,还可以基于自移动设备的实时运行数据及时修正预设标定参数的数据,保证传感器相对位置关系的实时准确表征,进而提高自移动设备控制的准确性。
基于上述场景示例,本说明书实施例提供一种自移动设备的传感器标定方法,所述方法可以应用于与自移动设备建立通信连接的上述服务器中,也可以应用于与自移动设备建立通信连接的所述终端中,或者,也可以应用于与自移动设备中。以该方法应用于图1中的自移动设备为例进行说明,如图2所示,所述方法至少包括以下步骤:
S202,采集自移动设备在当前时间窗口下的运行数据。
可以利用时间窗口对自移动设备随时间的运行数据进行提取,得到相应时间窗口下的运行数据。时间窗口所覆盖的时间长度可以根据需要设定。为了便于表述,可以将时间窗口所覆盖的时间长度描述为窗口长度。在运行数据为视频数据流的情况下,窗口长度也可以用关键帧的帧数量进行衡量,如关键帧的帧数量为5,则窗口长度为5。关键帧可以是指在视频帧序列中按照固定间隔采样的视频帧,如每隔2帧采样一个视频帧作为关键帧。当然,在运行数据为其他类型的数据的情况下,时间窗口的窗口长度可以利用其他方式来表征,本说明书不做限定。
当前时间窗口可以为当前对传感器进行标定所基于的时间窗口。基于当前时间窗口所提取的运行数据可以为自移动设备的实时运行数据,也可以为历史运行数据。
运行数据可以包括自移动设备在运行过程中由内置传感器所采集的数据,也可以包括其他设备所采集的自移动设备在运行过程中的状态数据、相对位置数据等等。如自移动设备的位置、运行时间、姿态以及摄像头采集的视频帧等。针对不同的标定参数的标定所采用的运行数据的类型通常存在一定的差异性,可以预先分析针对某标定参数标定所需的运行数据类型,并将运行数据类型与标定参数进行关联存储。相应的,在线标定时,仅提取标定参数对应的运行数据类型的数据对该标定参数进行标定,降低运行数据采集量,进一步提高标定处理效率。
对运行数据的采集,可以通过滑动时间窗口的方式进行,也可以随机进行,当然,也可以采用其他方式进行,本说明书不做限定。例如,可以从某时间点开始,提取目标窗口长度的时间窗口,作为当前时间窗口,并采集自移动设备在该当前时间窗口下的运行数据。例如,扫地机器人在运行过程中,采集窗口长度为5的时间窗口下的扫地机器人位置信息、运行时间信息、姿态信息以及视频帧信息等等;其中,视频帧为视频关键帧,由于窗口长度利用关键帧表征。之后,对时间窗口进行滑动,如间隔3秒滑动一次时间窗口,依次作为当前时间窗口,并采集自移动设备在当前时间窗口下的运行数据。
S204,利用运行数据,对自移动设备中的指定传感器所对应的预设标定参数的数值进行优化。
指定传感器可以是指需要进行标定的传感器,如可以为里程计、摄像头、障碍物探测器、距离探测器以及自移动设备的速度传感器和角度传感器等。所述指定传感器可以为单一传感器,即对单一传感器相对自移动设备机身的相对位置关系的标定。例如,对里程计相对机身的位置进行标定,则指定传感器是指里程计。或者,所述指定传感器也可以为两个以上的传感器的标定,即对两个以上的传感器之间的相对位置关系的标定。例如,对相机和里程计之间的相对位置关系进行标定,则指定传感器是指相机和里程计。
预设标定参数为从指定传感器的标定参数中筛选出的可观测参数。可观测参数是指基于自移动设备的运行数据可被估计的参数。例如,可以利用可观性分析对指定传感器的标定参数进行分析,筛选出可于自移动设备的运行数据可被估计的标定参数,作为预设标定参数。其中,可观性分析所采用的方式可以为非线性系统可观性分析、VI-SLAM系统可观性分析或基于几何特征的INS系统的可观性分析等。例如,对于扫地机器人的里程计,所述预设标定参数如可以包括外参(如旋转参数)、地图点和姿态中的至少一种,地图点可以指扫地机器人在地图中的位置,该地图为室内环境的地图。
例如,扫地机器人在运行过程中,加入全局坐标系X方向定位对指定传感器的标定参数做可观性分析,此时可以确定全局定位X方向和偏航(yaw)角为可观测参数;同理,加入全局坐标系Y方向定位对指定传感器的标定参数做可观性分析,此时可以确定全局定位Y方向和yaw角为可观测参数;加入全局坐标系Z方向定位对指定传感器的标定参数做可观性分析,此时可以确定全局定位Z方向为可观测参数,yaw角为非可观测参数。此外,当扫地机器人进行纯旋转运动时,对指定传感器的标定参数做可观性分析,可以确定出特征点的尺度不可观;当扫地机器人进行恒定加速度运动时,对指定传感器的标定参数做可观性分析,可以确定出特征点尺度不可观。通过上述可观性分析,可以从指定传感器的标定参数中筛选出可观测参数,作为预设标定参数。
再如,针对扫地机器人的里程计和相机的标定,里程计、相机的内参一般不会存在较大的改变,可以通过离线标定的方式进行,在线标定过程可以主要针对里程计和相机的外参进行标定。里程计和相机的外参包括旋转参数和平移参数,其中,旋转参数用于表征相机坐标系与里程计坐标系之间的旋转变换,平移参数用于表征相机坐标系与里程计坐标系之间的平移变换。
可以根据运行数据对扫地机器人的里程计和相机的旋转参数与平移参数进行可观性分析。扫地机器人大部分情况下都在做直线运动,可以基于扫地机器人在直线运动时的运行数据对里程计和相机的旋转参数与平移参数进行可观性分析,最终确定X、Y、Z三个轴的平移变换都是不可观的,而旋转参数则是可观的。相应的,可以将旋转参数作为在线标定的预设标定参数。当然,也可以通过分析扫地机器人在其他运行模式下,确定可对平移参数标定的运行模式,基于该运行模式下的运行数据对平移参数进行在线标定。
相应的,可以预先基于不同运行模式下的运行数据对指定传感器的标定参数进行可观性分析,确定标定参数在不同运行模式下的可观测参数,并将筛选的可观测参数作为预设标定参数,并与相应的运行模式进行关联存储。例如,对于上述示例,可以将直线运动、里程计和相机的旋转参数进行关联存储。后续可以基于扫地机器人在相应运行模式的运行数据对指定传感器的预设标定参数进行在线标定。对于上述示例,可以获取扫地机器人直线运动对应的运行数据对里程计和相机的旋转参数进行在线标定。通过区分运行模式筛选可观测参数,可以使得可观测参数筛选更加准确全面;同时,基于相应的运行模式下的运行数据对可观测参数进行标定,也可以使得可观测参数标定更加准确。
当然,若通过分析确定标定参数中的可观测参数筛选与运行模式无关,则可以对筛选出的预设标定参数进行特殊打标,在线标定时,则可以不区分运行模式对预设标定参数进行标定。
在线标定过程中,可以获取预先提取的预设标定参数,利用采集的运行数据对指定传感器所对应的预设标定参数的数值进行优化,以保证传感器相对位置关系的实时准确表征,进而提高自移动设备控制的准确性。
如可以利用预先构建的目标函数和运行数据对预设标定参数的数值进行优化。其中,目标函数可以用于表征预设标定参数的数值与自移动设备的运行数据之间的关联关系。
可以先利用离线方式对指定传感器的预设标定参数进行标定,并存储标定结果,作为预设标定参数的参数标签值。之后,可以获取扫地机器人在基于上述参数标签值稳定运行情况下的运行数据,并利用该运行数据以及参数标签值构建目标函数。在目标函数的构建过程中,还可以利用最小二乘法函数进行约束,以加快目标函数的收敛,其中,最小二乘法函数可以用于表征预设标定参数基于运行数据所预测的数值与参数标签值之间的误差。为了便于表述,下文中可以将预设标定参数基于运行数据所预测的数值简化描述为预设标定参数的预测数值。
基于预设标定参数的预测数值与参数标签值,对目标函数进行更新,直至预先构建的最小二乘法函数的取值满足预设取值条件,得到目标函数。由于最小二乘法函数可以表征预设标定参数的预测数值与参数标签值之间的误差,在目标函数的更新过程中,该误差不断变小,可以使得最终构建的目标函数更加准确地表征运行数据以及参数标签值之间的关联关系。
如,最小二乘法函数可以是预设标定参数的预测数值与参数标签值(真实值)之间差值的平方和:
其中,yi表示预设标定参数的预测数值,表示预设标定参数的参数标签值。
目标函数的表达式可以是yi=θ1+θ2xi,或者可以是 xi表示各运行数据,θ1、θ2、θ3、…、θm分别为函数系数。在后续实施例中,不妨令目标函数的表达式为yi=θ1+θ2xi。
将上述目标函数转换为矩阵形式,则有Y=θ*X,因此最小二乘法函数的表达式为:
因此,该最小二乘法函数可以看作是关于θi的二次方程组,求解最小二乘法函数L的最小值,因为L最小,对应的θ值最优,因此不断对θ值进行调整以使L最小。
将最小二乘法函数看作是一个L关于θ变量的函数,对该最小二乘法函数计算一阶导数,即可得到:
对上述式子进行化简,可得:
因此,根据上述简化的式子计算出θ1和θ2,将θ1和θ2输入到目标函数计算出yi值,然后计算出最小二乘法函数L的取值,当最小二乘法函数L的取值满足预设取值条件时,得到目标函数。然后,可以利用构建的目标函数以及运行数据对预设标定参数的数值进行优化。
当然,上述预设标定参数的优化方式为优选举例说明,还可以通过其他方式对预设标定参数进行优化,如可以参考传统离线标定过程中所使用的标定参数数据优化方法对预设标定参数进行优化,这里不做限定。
在一个实施例中,可以在当前时间窗口下的运行数据中的特征点满足预设条件的情况下,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化。
在获取到预设标定参数之后,可以依据当前时间窗口下的运行数据中的特征点是否满足预设条件来判断是否对该预设标定参数进行优化。当特征点满足预设条件时,则该预设标定参数需要进行优化;当特征点不满足预设条件时,则该预设标定参数不需要进行优化。
所述特征点也可以为从运行数据中提取的满足一定特征要求的数据点。例如,在运行数据包括图像信息的情况下,所述特征点可以是指的是图像中满足一定特征要求的像素点,例如,所述特征点可以为图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点。可以利用SIFT、SURF、ORB等方法提取图像中的特征点。所述预设条件与对运行数据的特征点进行分析时所采用的分析方式对应。在运行数据为激光点云数据的情况下,所述特征点可以为从点云数据中提取的满足一定特征要求的数据点。
传感器的标定涉及的数据量较大,特别是对于实时标定,将占用自移动设备太多的运行资源。通常情况下,若自移动设备的运行较为稳定,则自移动设备的传感器之间的相对位置关系标定参数数据通常不会存在较大问题;若自移动设备在当前时间窗口下的运行稳定性较差,则可能存在标定参数数据不能够准确反映自移动设备的传感器之间的相对位置关系的问题,通过分析自移动设备在当前时间窗口下的实际运行情况,确定是否需要对传感器进行参数标定,可以在保证自移动设备运行稳定性的同时,有效降低数据处理量。基于特征点进行自移动设备运行情况的判定,可以进一步降低自移动设备运行情况的判定的数据处理量,降低资源占用量;同时,特征点也可以更加准确地反映运行数据的特征,降低噪声干扰,从而还可以进一步提高自移动设备运行情况的判定的准确性。
一些实施例中,对于预设标定参数是否进行优化的判断,可以采用特征点的重投影误差来判断,或者依据某关键帧的特征点在其它关键帧上的可观性来判断,具体如下所述:
方式1,采用特征点的重投影误差是否满足预设条件来判断预设标定参数是否需要优化。
可以先计算特征点的重投影误差,然后将该重投影误差与预设误差进行对比,若重投影误差小于或等于预设误差,则该预设标定参数不需要进行优化;若重投影误差大于预设误差,则该预设标定参数需要进行优化。
例如,重投影误差的计算步骤可以包括:获取自移动设备在运行过程中由内置相机所采集的图像信息;确定图像信息中特征点的像素位置;基于自移动设备与特征点之间的深度信息,确定特征点的投影位置;基于像素位置和投影位置计算特征点的重投影误差;当重投影误差大于预设误差时,则特征点满足预设条件,表示该预设标定参数需要进行优化,此时将预设标定参数作为预设标定参数进行优化。
其中,图像信息可以是基于摄像头采集的关键帧,即视频关键帧。深度信息可以指自移动设备与特征点在世界坐标系下的距离。需要指出的是,特征点的数量可以是一个或多个。
例如,假设某特征点的像素位置与该特征点对应的空间点位置的关系式如下:
其中,si为深度信息,为特征点的像素位置(即像素坐标),/>表示特征点在世界坐标系下的位置,/>为特征点的投影位置(即投影坐标),表示特征点从世界坐标系转投影到相机坐标系,K为系数。
将上述关系式写成矩阵形式,则可得到:siui=Kexp(ε^)Pi。
由于噪声问题,上述关系式存在一个误差,因此对上述关系式进行转换,可以得到以下误差关系式:
基于上述误差关系式可以计算出误差ε*,该误差ε*即为特征点的重投影误差。由于重投影误差不仅考虑了单应矩阵的计算误差,也考虑了特征点的测量误差,因此其精度高,从而可以准确地判断出是否对预设标定参数进行优化,有利于提高优化效果。
方式2,依据某关键帧的特征点在其它关键帧上的可观性是否满足预设条件来判断是否对预设标定参数进行优化。
在运行数据的目标关键帧中选取至少两个特征点;依据至少两个特征点,在运行数据的其它关键帧中查找匹配特征点;当匹配特征点的数量与至少两个特征点的数量之间的比值大于或等于预设比值时,则特征点满足预设条件。
具体地,运行数据可以包括相机采集的视频帧,因此在采集的视频帧中采样出关键帧,然后在某个目标关键帧中选取特征点,然后在其它关键帧中查询是否存在与该特征点匹配的特征点(即匹配特征点),若在其它关键帧中查询到匹配特征点时,表示该目标关键帧中的特征点在其它关键帧中是具有可观性。当匹配特征点的数量与提取的特征点数量之间的比值小于预设比值时,如特征点比例小于80%时,表示特征点满足预设条件,判定该预设标定参数需要进行优化;当匹配特征点的数量与提取的特征点数量之间的比值大于或等于预设比值时,如特征点比例大于80%时,判定该预设标定参数不需要进行优化。
例如,对于关键帧a和关键帧b,假设在关键帧a中选取出特征点1~10,然后在关键帧b中查询是否与该特征点1~10匹配的特征点,若查询出9个匹配的特征点,判定该预设标定参数不需要进行优化;若只查询出7个匹配的特征点,判定该预设标定参数需要进行优化。在判断是否优化预设标定参数时,无需使用整个运行数据进行判断,只需判断运行数据中关键帧的特征点匹配性即可,因此即便运行数据中的数据内容较多,也可以准确地判断出是否优化的结果,而且还可以有效降低计算量。
S206,根据优化后的预设标定参数的数值,输出指定传感器的标定结果。
可以将优化后的预设标定参数的数值,作为指定传感器的标定结果进行输出。也可以在对预设标定参数的数值进行优化的过程中,判断优化的预设标定参数的数值是否满足优化条件,当满足优化条件时,停止优化过程,得到优化后的预设标定参数的数值,作为指定传感器的标定结果。
例如,对于相机和里程计的旋转参数标定,通常三轴旋转是一起标定的,所以任何一个轴的误差,都会影响到其他轴向的标定,可以通过分析扫地机器人的运行方向同时确定三轴旋转的标定是否准确。
一些实施例中,关于优化的预设标定参数的数值是否满足优化条件的判断过程,可以通过偏航角的差值判断优化的预设标定参数的数值是否满足优化条件,具体如下:
在进行优化的过程中,实时采集自移动设备的偏航角;对预设数量的偏航角进行差值计算,得到自移动设备的偏航角在优化过程中的差值;当差值满足差值条件时,获得优化后的预设标定参数的数值。
例如,在进行优化的过程中,可以实时采集自移动设备的偏航角,然后将偏航角存储在缓冲器中,当存储的偏航角的数量达到预设数量时,停止采集偏航角,开始进行差值计算,从而避免过多地采集偏航角而延长优化时间。
该差值可以是方差或标准差。当自移动设备的偏航角在优化过程中的方差不大于预设方差,或自移动设备的偏航角在优化过程中的标准差不大于预设标准差时,停止对预设标定参数的数值进行优化,得到优化后的预设标定参数的数值;然后,将优化后的预设标定参数的数值作为指定传感器的标定结果。
例如,在获得扫地机器人的预设数量的偏航角之后,计算在优化过程中该扫地机器人的偏航角的方差或标准差,然后对偏航角的方差与预设方差进行对比,或对偏航角的标准差与预设标准差进行对比,从而依据对比结果来判断是否停止优化过程。在对预设标定参数的数值进行优化过程中,偏航角受预设标定参数的影响较大,利用预设数量的偏航角来评价是否停止优化过程,可以准确地判断出预设标定参数的数值是否达到最优值,从而避免过多地采集偏航角而延长优化时间,而且还有利于提高参数标定的准确性。
或者,另一些实施例中,还可以在进行优化的过程中,实时采集自移动设备的姿态;对预设数量的姿态进行差值计算,得到自移动设备的姿态在优化过程中的差值;当差值满足差值条件时,获得优化后的预设标定参数的数值。在对预设标定参数的数值进行优化时,可以对自移动设备的姿态进行优化,因此直接利用预设数量的姿态的差值来评价是否停止优化过程,可以避免过多地采集姿态而延长优化时间,而且还可以确保姿态优化的准确性。
例如,在进行优化的过程中,可以实时采集扫地机器人的姿态,将采集的姿态存储至缓冲器中,当存储的姿态的数量达到预设数量时,停止采集姿态,开始进行差值计算,从而避免过多地采集姿态而延长优化时间。
上述实施例中,通过预先从传感器的标定参数中选择出可基于运行数据被估计的标定参数作为预设标定参数,再利用自移动设备的运行数据对预先选出的预设标定参数进行在线标定,可以实现至少部分标定参数的快速在线标定,提高传感器标定的简便性以及效率;同时,还可以实现基于自移动设备的实时运行数据及时修正预设标定参数的数据,保证传感器相对位置关系的实时准确表征,进而提高自移动设备控制的准确性。
在另一些实施例中,如图3所示,S204之前,该方法还包括:
S302,获取指定传感器所关联的标定参数样本数据集。
其中,标定参数样本数据集包含指定传感器在样本设备中的标定结果;样本设备是指与自移动设备的批次标识相同的设备。所述批次标识是指对设备的生产批次进行标识的信息。通常,同一生产批次的设备具有相近的设备参数信息。如将与目标的扫地机器人相同批次的扫地机器人作为样本,获取该样本中的摄像头、里程计以及其它传感器所对应的预设标定参数,并将预设标定参数与传感器进行关联存储;同时,还可以存储预设标定参数的标定结果。由于同批次的设备参数相近,在进行优化时,可以复用同批次的设备中指定传感器对应的预设表征参数,无需再筛选预设标定参数,可以大幅降低标定复杂度。还可以将预设标定参数的标定结果作为当前待标定的自移动设备的初始化数据,可以进一步加快初始标定过程中的数据收敛速度,提高标定效率。
S304,利用指定传感器所关联的标定参数样本数据集,对自移动设备中的指定传感器所对应的预设标定参数的数值进行初始化,得到预设标定参数的初始化参数值。
利用标定参数样本数据集内预设标定参数的数值,对自移动设备中的指定传感器所对应的相应预设标定参数的数值进行初始化,得到预设标定参数的初始化参数值。例如,获取与扫地机器人a相同批次的扫地机器人样本中的摄像头的旋转参数,然后利用该摄像头的旋转参数的数值对扫地机器人a中的摄像头的旋转参数的数值进行初始化,得到扫地机器人a中摄像头的旋转参数的初始化参数值。
S306,利用运行数据对预设标定参数的初始化参数值进行优化。
如上述实施例所述,可以利用目标函数对预设标定参数的初始化参数值进行优化,并利用最小二乘法函数对优化过程进行约束。其中,目标函数可以基于样本设备所构建,通过复用目标函数的方式,可以进一步降低同批次设备标定的复杂度。当然,也可以进一步利用待标定的自移动设备稳定运行过程中的运行数据对复用的目标函数进行更新,以利用更新后的目标函数对预设标定参数进行在线标定,进一步提高在线标定的准确性。当然,也可以利用其他方式对初始化参数值进行优化,本说明书不做限定。
上述实施例中,利用指定传感器所关联的标定参数样本数据集,该基础参数对自移动设备中的指定传感器所对应的预设标定参数的数值进行初始化,由于标定参数样本数据集包含了与自移动设备同批次的样本设备的标定结果,从而可以得到较优的初始化参数值,因此在利用运行数据对预设标定参数的初始化参数值进行优化时,可以加快优化速度,缩短优化的时间,有效地提高优化效率,进而有效地提高参数标定效率。此外,在对初始化参数值进行优化之前,先利用最小二乘函数对目标函数进行优化,然后利用优化的目标函数对预设标定参数的初始化参数值进行优化,从而可以在降低在线标定复杂度的同时,使传感器标定更加准确。
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移动设备的传感器标定方法的自移动设备的传感器标定装置。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移动设备的传感器标定装置实施例中的具体限定可以参见上文中对于自移动设备的传感器标定方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种自移动设备的传感器标定装置,包括:采集模块402、优化模块404和确定模块406,其中:
采集模块402,用于采集自移动设备在当前时间窗口下的运行数据;
优化模块404,用于利用运行数据,对自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;预设标定参数为从指定传感器的标定参数中筛选出的可观测参数,可观测参数是指基于自移动设备的运行数据可被估计的参数;
确定模块406,用于根据优化后的预设标定参数的数值,输出指定传感器的标定结果。
在一个实施例中,优化模块404,还用于在所述当前时间窗口下的运行数据中的特征点满足预设条件的情况下,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;
在一个实施例中,如图5所示,该装置还包括:
采集模块402,还用于采集自移动设备在工作时的图像信息;
确定模块406,还用于确定图像信息中特征点的像素位置;基于自移动设备与特征点之间的深度信息,确定特征点的投影位置;
第一计算模块408,用于基于像素位置和投影位置计算特征点的重投影误差;当重投影误差大于预设误差时,则特征点满足预设条件。
在一个实施例中,如图5所示,该装置还包括:
选取模块410,用于在运行数据的目标关键帧中选取至少两个特征点;
查找模块412,用于依据至少两个特征点,在运行数据的其它关键帧中查找匹配特征点;当匹配特征点的数量与至少两个特征点的数量之间的比值小于预设比值时,则特征点满足预设条件。
在一个实施例中,如图5所示,该装置还包括:
采集模块402,还用于在进行优化的过程中,实时采集自移动设备的偏航角;
第二计算模块414,用于对预设数量的偏航角进行差值计算,得到自移动设备的偏航角在优化过程中的差值;当差值满足差值条件时,获得优化后的预设标定参数的数值。
在一个实施例中,差值包括方差或标准差;
第二计算模块414,还用于当自移动设备的偏航角在优化过程中的方差不大于预设方差,或自移动设备的偏航角在优化过程中的标准差不大于预设标准差时,停止对预设标定参数的数值进行优化,获得优化后的预设标定参数的数值;
确定模块406,还用于将优化后的预设标定参数的数值作为指定传感器的标定结果。
上述实施例中,通过预先从传感器的标定参数中选择出可基于运行数据被估计的标定参数作为预设标定参数,再利用自移动设备的实时运行数据对预先选出的预设标定参数进行在线标定,可以实现至少部分标定参数的快速在线标定,提高相机和里程计参数标定的简便性以及效率;同时,还可以实现基于自移动设备的实时运行数据及时修正预设标定参数的数据,保证传感器相对位置关系的实时准确表征,进而提高自移动设备控制的准确性。
在一个实施例中,如图5所示,该装置还包括:
获取模块416,用于获取所述指定传感器所关联的标定参数样本数据集;其中,所述标定参数样本数据集包含所述指定传感器在样本设备中的标定结果;所述样本设备是指与所述自移动设备的批次标识相同的设备;
初始化模块418,用于利用所述指定传感器所关联的标定参数样本数据集,对自移动设备中的指定传感器所对应的预设标定参数的数值进行初始化,得到预设标定参数的初始化参数值;
优化模块404,还用于利用运行数据对预设标定参数的初始化参数值进行优化。
在一个实施例中,优化模块404,还用于根据所述运行数据和目标函数,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;其中,所述目标函数用于表征预设标定参数的数值与自移动设备的运行数据之间的关联关系;所述目标函数在最小二乘法函数约束下构建,所述最小二乘法函数用于表征预设标定参数的预测数值与参数标签值之间的误差。
上述实施例中,利用相同批次的样本设备指定传感器所对应的标定参数样本数据集,对自移动设备中的指定传感器所对应的预设标定参数的数值进行初始化,从而可以得到较优的初始化参数值,因此在利用运行数据对预设标定参数的初始化参数值进行优化时,可以加快优化速度,缩短优化的时间,有效地提高优化效率,进而有效地提高参数标定效率。
上述自移动设备的传感器标定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自移动设备(如扫地机器人),其内部结构图可以如图6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、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移动设备的传感器标定方法。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或触控板等。
本领域技术人员可以理解,图6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,所述处理器执行所述计算机程序时实现自移动设备的传感器标定方法的步骤。
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,所述计算机程序被处理器执行时实现自移动设备的传感器标定方法的步骤。
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自移动设备的传感器标定方法的步骤。
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 (12)
1.一种自移动设备的传感器标定方法,其特征在于,所述方法包括:
采集自移动设备在当前时间窗口下的运行数据;
利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;所述预设标定参数为从所述指定传感器的标定参数中筛选出的可观测参数,所述可观测参数是指基于所述自移动设备的运行数据可被估计的参数;
根据优化后的所述预设标定参数的数值,输出所述指定传感器的标定结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化,包括:
在所述当前时间窗口下的运行数据中的特征点满足预设条件的情况下,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化。
3.根据权利要求2所述的方法,其特征在于,至少利用下述方式确定所述当前时间窗口下的运行数据中的特征点满足预设条件:
采集所述自移动设备在工作时的图像信息;
确定所述图像信息中特征点的像素位置;
基于所述自移动设备与所述特征点之间的深度信息,确定所述特征点的投影位置;
基于所述像素位置和所述投影位置计算所述特征点的重投影误差;
当所述重投影误差大于预设误差时,则所述特征点满足所述预设条件。
4.根据权利要求2所述的方法,其特征在于,至少利用下述方式确定所述当前时间窗口下的运行数据中的特征点满足预设条件:
在所述运行数据的目标关键帧中选取至少两个所述特征点;
依据所述至少两个所述特征点,在所述运行数据的其它关键帧中查找匹配特征点;
当所述匹配特征点的数量与至少两个所述特征点的数量之间的比值小于预设比值时,则所述特征点满足所述预设条件。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
在进行优化的过程中,实时采集所述自移动设备的偏航角;
对预设数量的偏航角进行差值计算,得到所述自移动设备的偏航角在优化过程中的差值;
当所述差值满足差值条件时,获得优化后的所述预设标定参数的数值。
6.根据权利要求5所述的方法,其特征在于,所述差值包括方差或标准差;所述当所述差值满足差值条件时,获得优化后的所述预设标定参数的数值包括:
当所述自移动设备的偏航角在优化过程中的方差不大于预设方差,或所述自移动设备的偏航角在优化过程中的标准差不大于预设标准差时,停止对所述预设标定参数的数值进行优化,获得优化后的所述预设标定参数的数值;
所述根据优化后的所述预设标定参数的数值,输出所述指定传感器的标定结果包括:将优化后的所述预设标定参数的数值作为所述指定传感器的标定结果。
7.根据权利要求1所述的方法,其特征在于,所述对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化之前,所述方法还包括:
获取所述指定传感器所关联的标定参数样本数据集;其中,所述标定参数样本数据集包含所述指定传感器在样本设备中的标定结果;所述样本设备是指与所述自移动设备的批次标识相同的设备;
利用所述指定传感器所关联的标定参数样本数据集,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行初始化,得到所述预设标定参数的初始化参数值;
所述利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化包括:利用所述运行数据对所述预设标定参数的初始化参数值进行优化。
8.根据权利要求1所述的方法,其特征在于,所述利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化,包括:
根据所述运行数据和目标函数,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;其中,所述目标函数用于表征预设标定参数的数值与自移动设备的运行数据之间的关联关系;所述目标函数在最小二乘法函数约束下构建,所述最小二乘法函数用于表征预设标定参数的预测数值与参数标签值之间的误差。
9.一种自移动设备的传感器标定装置,其特征在于,所述装置包括:
采集模块,用于采集自移动设备在当前时间窗口下的运行数据;
优化模块,用于利用所述运行数据,对所述自移动设备中的指定传感器所对应的预设标定参数的数值进行优化;所述预设标定参数为从所述指定传感器的标定参数中筛选出的可观测参数,所述可观测参数是指基于所述自移动设备的运行数据可被估计的参数;
确定模块,用于根据优化后的所述预设标定参数的数值,输出所述指定传感器的标定结果。
10.一种计算机设备,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8任一项所述的方法的步骤。
11.一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8任一项所述的方法的步骤。
12.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至8任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210952170.4A CN117635720A (zh) | 2022-08-09 | 2022-08-09 | 自移动设备的传感器标定方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210952170.4A CN117635720A (zh) | 2022-08-09 | 2022-08-09 | 自移动设备的传感器标定方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117635720A true CN117635720A (zh) | 2024-03-01 |
Family
ID=90020339
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210952170.4A Pending CN117635720A (zh) | 2022-08-09 | 2022-08-09 | 自移动设备的传感器标定方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117635720A (zh) |
-
2022
- 2022-08-09 CN CN202210952170.4A patent/CN117635720A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111780763B (zh) | 一种基于视觉地图的视觉定位方法、装置 | |
CN108447097B (zh) | 深度相机标定方法、装置、电子设备及存储介质 | |
CN107688665B (zh) | 一种室内地图自动构建方法、装置及存储介质 | |
CN111780764B (zh) | 一种基于视觉地图的视觉定位方法、装置 | |
Roth et al. | Moving Volume KinectFusion. | |
CN110163087B (zh) | 一种人脸姿态识别方法及系统 | |
CN111046125A (zh) | 一种视觉定位方法、系统及计算机可读存储介质 | |
KR20180004151A (ko) | 실시간 맵핑 및 로컬리제이션을 위한 장치 및 방법 | |
US20170228613A1 (en) | Random Sample Consensus for Groups of Data | |
WO2019217126A1 (en) | Computer vision through simulated hardware optimization | |
CN112396640A (zh) | 图像配准方法、装置、电子设备及存储介质 | |
WO2021004416A1 (zh) | 一种基于视觉信标建立信标地图的方法、装置 | |
EP4386676A1 (en) | Method and apparatus for calibrating cameras and inertial measurement unit, and computer device | |
CN111080682A (zh) | 点云数据的配准方法及装置 | |
CN112232311B (zh) | 人脸跟踪方法、装置及电子设备 | |
CN108982116A (zh) | 运输车及其底盘参数标定方法、装置和计算机可读介质 | |
CN110956131A (zh) | 单目标追踪方法、装置及系统 | |
CN114187589A (zh) | 一种目标检测方法、装置、设备和存储介质 | |
TW202238449A (zh) | 室內定位系統及室內定位方法 | |
Liu et al. | Geometrically stable tracking for depth images based 3D reconstruction on mobile devices | |
CN114882115B (zh) | 车辆位姿的预测方法和装置、电子设备和存储介质 | |
CN117635720A (zh) | 自移动设备的传感器标定方法、装置、设备和存储介质 | |
CN115830073A (zh) | 地图要素重建方法、装置、计算机设备和存储介质 | |
CN115294280A (zh) | 三维重建方法、装置、设备、存储介质和程序产品 | |
CN113628284B (zh) | 位姿标定数据集生成方法、装置、系统、电子设备及介质 |
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 |