激光雷达自动校准方法及装置的制造方法

激光雷达自动校准方法及装置的制造方法
【专利摘要】一种激光雷达校准方法及装置，其中方法包括如下步骤：外部参数校准；所述外部参数校准步骤包括：雷达随车运动，收集雷达反射数据，将收集到的数据代入点阵云能量方程，求解使得能量方程值为最小的外部校准参数；区别于现有技术，上述技术方案能够对激光雷达实时传回的数据进行分析，主动校正激光雷达自身参数，达到了快速校正激光雷达，提高扫描数据准确率，提高扫描图像辨识度的效果。
【专利说明】
激光雷达自动校准方法及装置
技术领域
[0001] 本发明涉及无人车导航技术领域，尤其涉及一种车载激光雷达自动校准方法及装 置。
【背景技术】
[0002] 激光雷达传感器由于其优越的测距功能和精准的测量性能，已经被广泛的用于工 业和智能领域。由于其对周边环境的探测能力，近年来激光雷达也已成为无人车的标准配 置之一。激光雷达在无人车领域的主要用途在于感知车体周边环境，它和车辆的其他系统 (如GPS、INS等)相配合之后，可以用于地图的绘制、物体的定位(红绿灯及交通标示检测）以 及道路状况检测。传统上的激光雷达仅有一束旋转光线，故其校准方法也较为简单。目前， 新一代的激光雷达已经配置了能够实现不同角度扫射的同时旋转的光束，从而相较于传统 的激光雷达能提供上一个量级的数据量，实现更好的制图功能、物体检测和场景理解，能适 应更为高级的算法。
[0003] 为了能充分适应和利用这种海量数据，需要用到更高级的校准方法。首先，相较于 传统的激光雷达而言，新的校准方法要能支持几十甚至上百个光束的距离和角度的读数。 其次，对于无人车其他的要用到激光雷达强度返回值的功能(如道路检测、地图的绘制和定 位），很重要的一点是强度返回值需要被不同的光束所确认。上述两个方面所用到的参数 量，都使得用人工训练来校准激光雷达显得并不合适。

【发明内容】

[0004] 为此，需要提供一种能够自适应的激光雷达自动校准方法，解决无人车载雷达自 主定位的问题。
[0005] 为实现上述目的，发明人提供了一种激光雷达校准方法，包括如下步骤:外部参数 校准；
[0006] 所述外部参数校准步骤包括:雷达随车运动，收集雷达反射数据，将收集到的数据 代入点阵云能量方程，求解使得能量方程值为最小的外部校准参数；
[0007] 其中点阵云能量方程为：
[0009] 其中J是点云的能量，B激光束总数，N为临近光束数，k是反射光束数，pk是第k个点 在车体坐标系下的位置，m k是光束匕接收到反射的所有点中最接近pk的点或点集，取是mk点 的法向量，wk在| |pk-mk| |<dmax成立时为1，否则为0。
[0010] 进一步地，还包括步骤，内部参数校准，所述内部参数校准步骤包括:求解使得能 量方程值最小的内部校准参数。
[0011] 具体地，所述内部参数包括每束激光水平和垂直的角度以及距离校正值。
[0012] 具体地，所述外部校准参数包括雷达相对车体的平面坐标参数、高度、俯仰角、翻 滚角或航向角。
[0013] 进一步地，还包括步骤，接收校准，具体为，将雷达观测数据代入下式：
[0015] 其中j为激光束编号，a为观测强度，c为校准结果。
[0016] 进一步地，还包括步骤，对每束激光束的噪音特性和不确定性建立贝叶斯模型，计 算在给定地图网格分布的情况下，每束激光强度返回值的分布。
[0017] -种激光雷达校准装置，包括收集模块、外部校准模块；
[0018] 所述收集模块用于在雷达随车运动时收集雷达反射数据；
[0019] 所述外部校准模块用于将收集到的数据代入点阵云能量方程，求解使得能量方程 值为最小的外部校准参数；
[0020] 其中点阵云能量方程为：
[0022] 其中J是点云的能量，B激光束总数，N为临近光束数，k是反射光束数，pk是第k个点 在车体坐标系下的位置，mk是光束bi接收到反射的所有点中最接近pk的点或点集，nk是mk点 的法向量，Wk在| | Pklk | | <dmax成立时为1，否则为0。
[0023] 进一步地，还包括内部校准模块，所述内部校准模块用于求解使得能量方程值最 小的内部校准参数。
[0024]具体地，所述内部参数包括每束激光水平和垂直的角度以及距离校正值。
[0025] 具体地，所述外部校准参数包括雷达相对车体的平面坐标参数、高度、俯仰角、翻 滚角或航向角。
[0026] 进一步地，还包括接收校准模块，所述接收校准模块用于将雷达观测数据代入下 式：
[0028] 其中j为激光束编号，a为观测强度，c为校准结果。
[0029] 进一步地，还包括贝斯叶模块，所述贝斯叶模块用于对每束激光束的噪音特性和 不确定性建立贝叶斯模型，计算在给定地图网格分布的情况下，每束激光强度返回值的分 布。
[0030] 区别于现有技术，上述技术方案能够对激光雷达实时传回的数据进行分析，主动 校正激光雷达自身参数，达到了快速校正激光雷达，提高扫描数据准确率，提高扫描图像辨 识度的效果。
【附图说明】
[0031] 图1为本发明【具体实施方式】所述的激光雷达自动校准方法流程图；
[0032]图2为本发明【具体实施方式】所述的相邻两束激光扫描图；
[0033]图3为本发明【具体实施方式】所述的法向量示意图；
[0034] 图4为本发明某实施例所述的贝叶斯校准模型示意图；
[0035] 图5为本发明某实施例所述的激光雷达扫描效果示意图；
[0036] 图6为本发明某实施例所述的校准后激光雷达扫描效果示意图；
[0037] 图7为本发明【具体实施方式】所述的内参校准效果示意图；
[0038] 图8为本发明【具体实施方式】所述的参数调整效果图；
[0039] 图9为本发明【具体实施方式】所述的预期环境强度示意图；
[0040] 图10为本发明【具体实施方式】所述的街道正射强度地图；
[0041] 图11为本发明【具体实施方式】所述的激光雷达自动校准装置模块图。
[0042] 附图标记说明：
[0043] 1100、收集模块；
[0044] 1102、外部校准模块；
[0045] 1104、内部校准模块；
[0046] 1106、接收校准模块；
[0047] 1108、贝叶斯模块。
【具体实施方式】
[0048] 为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实 施例并配合附图详予说明。
[0049] -、总体思路
[0050]本发明提出一种全新的自动地对多光束激光雷达(本文中以Velodyne HD 64-E激 光雷达为例子，但使用于任何线扫的激光雷达)的内部参数和外部参数进行校准方法，并且 过程中并不需要用到具体的校准目标或人工计量。在一辆无人车上装载了激光雷达之后， 再加上惯性测量单元的读数，我们的算法在不需要地图辅助的情况下，仅就机器几秒钟内 对周边任意环境扫描的读数，就能计算出上百个激光雷达传感器参数。
[0051]本发明主要是分成三个部分的自动校准算法。第一个外部校准主要是用来确定由 于安装位姿的不同导致的激光雷达相较于车体的相对位置，可以用六个参数来表示，即通 过平移矩阵和旋转矩阵可以实现从激光雷达坐标到车体坐标的转化。第二个部分涉及激光 雷达的内部参数校准，主要是用来估算每束光线的最优水平和垂直角度，以及每束光线读 取范围的距离矫正，即在激光雷达内部对每个激光发射器和雷达坐标系的偏差进行校准。 第三个部分是运用贝叶斯衍生模型对每束激光对环境中不同表面发射率对应的接收值进 行建模。这样，经过校准校正后的强度图在扫描距离上相对平滑，才能够突出不同物体或地 形的相关特征。
[0052]二、外部参数校准
[0053]就多线激光雷达而言，外部校准考虑的是整个激光雷达对于车体自身坐标系的相 对安装位置，而内部校准考虑的是每个单束激光对于雷达本身的内部位置。在本节中，我们 是假设在已知雷达内部校准的情况下，计算外部校准。在实际情况中，如果两种校准均未 知，则可以将两个校准程序交互进行，直至两个模型都达到最优参数估计。
[0054]我们两类的校准方法都是基于这样的前提假设下的:激光雷达接受回来的强度信 号反映在三维成像上时，这些观测值在空间内并不会呈现出随机分布的模式。这个前提假 设在现实中是可以达到的。实际上，由于返回的点代表了观测物体的物理表面的反射，一个 经过正确校准后的沿着已知轨迹运动的激光雷达传感器是不可能给出在三维空间中呈现 随机分布的点云读数的。这个在现实中比较好理解，因为激光遇到障碍物时会反射回来形 成密集点集，而空旷处是没有反射回波，在点云图上也是空白，对每束激光均如此。因此，我 们提出的校准方法是基于反射点在空间中呈现相对聚集状态的弱假设的前提下。
[0055] 请参阅图1，为本发明激光雷达自动校准方法的流程图，在某些实施例中，本发明 方法开始于步骤S100雷达随车运动，收集雷达反射数据，步骤S102将收集到的数据代入点 阵云能量方程，求解使得能量方程值为最小的外部校准参数。
[0056] 图2展示了当无人车沿着已知轨迹运行数秒后，相邻的两束激光所搜集到的全部 数据，并呈现在3D图像上。其中一束激光收集到的数据标成了红色，另一束激光收集的标成 了白色。很明显由于激光的全角度扫射，很大程度上两束激光都打到了相同的表面，所以成 像近似。
[0057] 整个雷达激光相对于车体坐标系的安装位置可以用六个参数来表示:X轴（用来衡 量长度的），y轴（用来衡量宽度的），这二者可以作为激光雷达相对车体的平面坐标参数，Z 轴（用来衡量高度的），以及翻滚角，俯仰角和航向角。坐标系的原点（〇，〇，〇)和原点的方向 则是由所选择的车体坐标系决定的，比如说可以将车体位姿系统的三维坐标和方向作为初 始值。
[0058] 相较于现有的校准方法，我们的方法对于车辆周边环境只需要做出简单的假设： 周边环境相对静止，且环境中含有一些3D特征(不是一片空旷）即可，无需其他条件。为了得 到准确的校准参数，我们让无人车沿着已知轨迹驾驶一段距离并记录下激光雷达数据。车 辆的运行轨迹可以是任意的，但必须包含一个航向角的变化，这样才可以测出激光雷达在 xy平面上的校正值，因此请不要让车体只保持笔直前行。另外，我们并不试图去校正传感器 的高度，因为我们的车体是与地面保持近似平行的，并且通过测距和车辆行驶距离，高度的 计算很简单。车体在全球坐标系下的位姿信息在激光雷达校准这一步是无关紧要的，在我 们的试验中也不涉及到现有地图的使用，所以只是需要有车体本身的位姿变化信息即可。 车体自身的位姿信息可以通过一系列途径获取，比如从轮胎编码器和惯性制导系统中获 得，或者从一个实时校正的GPS系统中获得。再次重申，只有车辆沿着轨迹行驶过程中的相 对运动才是校准算法的相关信息来源，车体的全球位姿信息在这里并不需要。
[0059] 现在，我们来定义一个点云的能量方程，由各束激光达到物体表面时会形成密集 的点群，我们的方程会惩罚那些远离这些点群的点（聚类去噪的思想）：
[0061]上述公式中，B是所有激光射线总数，N是某束激光附近的我们认为属于邻近的光 束总数，k是对于光束匕反射回来形成的所有点的逐步迭代，pk是在当前的转换公式下形成 的第k个点在车体坐标系下的位置，m k是光束h发出所形成的所有点中离pk最近的点或点 集，％是mk点的法向量，wk是1或0取决于| |pk-mk| |<dmax是否成立。
[0062] 在上述算法里，我们用到了马里兰大学公布的ANN library，来计算m_k，d_max在 后续的试验中，我们采取的阀值是20cm，并且我们用的是所有的雷达返回接收的信息来生 成每束激光的点云和法向量，但是为了提高计算效率，每16个点我们才估算一次上述的能 量方程。我们使用的Velodyne设备每秒钟能返回超过百万个点，对每个点都进行能量方程 的计算是没必要的。如果激光雷达的初始设置很不准确，我们若用现代的台式电脑的处理 器，对大概15秒钟长度左右的激光记录数据进行上述运算，分别需要1个小时才能算出激光 雷达的内部校准参数和外部校准参数，对接收强度的校准就要快很多，通常只需要几分钟。
[0063] 我们提出的能量方程和计算点到平面的ICP误差方程有一定类似度，但主要差别 在于两个地方。第一，我们用的是每一束激光所生成的点集形成的表面和其邻近激光的点 集做对比。这么做的好处是光束之间错误的校准不会显著地影响到任意单一激光生成的点 所形成的法向量。第二个和ICP所不同的地方在于，我们处理的并不是固定的电云，任何一 个校准参数的变化都会使得激光生成的点云发生复杂的转化，因为每个云内的点都是在不 同时间、传感器的不同方位下观测来的。
[0064] 每束激光都要单独的计算法向量，这是通过使平面嵌合从车辆全部轨迹中累积 生成的所有点中离每个点周边最近的20个点来完成的。由于多线激光的数据密度较高，每 个点的周边点都很密集，邻域小。我们在图3中展示了这些法向量，其中包括了每个点法向 量的x，y，z部分。
[0065] 多线激光生成的点较为密集，这样的好处在于几乎任一表面在点云分辨率图上都 基本是局部上平面的。因此，将一束激光生成的点映射到由其邻近激光生成的点所构成的 表面上，在所有校准都精确的情况下，只会产生较小的误差。
[0066] 在有了上述的能量方程之后，剩下的工作就是选出能使得总和值降到最低的外部 校准参数。尽管从理论上来说，这未必是个凸函数，因而能否在有限的时间内求出最优解也 没有保障，不过实际上能量方程还是很平滑的，标准的寻找试错法也有不错的结果。
[0067] 在我们的方法中，我们交替的优化平移矩阵参数和旋转矩阵参数，直到这两个都 达到收敛。对于每一次优化求解，我们运用一种网格式搜索，即比较的是当前能量方程的和 值与对所有求解参数在所有可能方向上进行同时调整后得出的能量方程的和值。我们已知 一个坐标下降迭代所花费的时间和与变量数量线性相关，但是网格式搜索所花费的时间与 变量数量却是呈现指数增长的关系，因为他考虑了方向上的所有可能结合。所以，遇到局部 极小值时，网格式搜索并不会终止，同时由于平移矩阵和旋转矩阵各自都不会有超过三个 变量，所以这种网格式搜索方式在计算机程序上是可行的。举例来说，在考虑旋转矩阵的变 化时，每个翻滚角、俯仰角、航向角都可以是增加、不变或是减少，这样，相较于当前的能量 方程和值(即三个变量都维持不变），会产生26种新的能量方程和值。另有重要的一点在于， 在考虑每种可能的校准时，在每个点被获取的时候所有的点都要根据车辆的位姿重新映射 到3D空间。这样，校准参数的变化才不会以相同的方式扭曲所有的点，因为校准参数调整对 每个点的影响依赖于在返回数据计算时车辆所处的位置。
[0068] 我们从较大的间隔开始，迭代至收敛，然后减少间隔并重复相同步骤，直至我们 达到了理想的最小粒度。而这最后一次优化解的结果即为我们最后的校准参数。综上，外部 参数校准解决了在无人车运行过程中，激光雷达自动对自身坐标参数进行校准的问题，达 到了快速、准确地自主提供位置信息的效果，使得车载激光雷达能够自主定位。
[0069]三、内部参数校准
[0070]其实，Velodyne的激光雷达产品本身有给出内参校准的算法和Matlab建模(详见 产品说明书），他给出的方法属于在某个方向上的静态调试，其结果精度要低于本文中给出 的算法。Velodyne给出的方法主要是采用两个确定平面坐校准:一个是据雷达25.04米处的 平面，另一个是据雷达X轴方向2.4米、Y轴方向1.93米处的平面，并将校准出的结果进行线 性插值。
[0071] 在上一中讲到的外部参数校准的思路也可以运用在内部参数校准中，亦即一个精 确的内部参数校准（用于计算每束激光的水平和垂直的角度以及距离校正值)必须比不精 确的校准得出更低的能量值。因此在本节所要介绍的某些实施例中，还包括步骤S104,求解 使得能量方程值最小的内部校准参数。
[0072] 值得强调的是，这一特性是车辆边行驶边收集数据带来的直接结果。对于一辆静 止的车辆，是不可能消除一些歧义的校准的。实际上，很多角度和距离校正在车辆静止时都 是貌似正确的，即局部解不唯一。但是当车辆沿已知轨迹行驶时，随着每束激光的返回值积 聚起来并映射到3D空间上去，不精确的校准无法再形成貌似精准的点云。
[0073]虽然用于计算激光雷达外部参数校准的能量方程同样适合于内部校准，但是对64 束激光同时使用网格搜索法来确定三个参数的计算过于复杂了。作为替换，我们考虑了所 有的水平角度，所有的垂直角度，和所有的距离校正，直至函数收敛。在每一步，对于求解参 数，我们求能量方程在单个参数处的导数。重新考虑能量方程：
[0075] 在每次迭代的时候，对于每一束激光匕及其邻近激光集匕，我们将与匕有关的累积 映射出的点云和相应的法向量都维持不变，然后将求解参数增加或减少一定间隔量α，再重 新计算bj映射出的点。对于是增加还是减少这两种可能性，能量方程的内部结构Σ kWk | nk· (pk_mk)| |2都要重新计算过，然后我们选出能最大优化解的方向的α，或者如果两个方 向的选择结果都更糟则维持不变。
[0076] 用这种办法，我们循环迭代过所有的参数和激光束，在每步中都优化目标方程，直 到事前确定的迭代次数达到或者整个方程结果的变化已经十分微小了。要指出的是，尽管 这种搜索方式在实际中运行的很好，不像外部校准中用到的网格式搜索，这里的搜索方法 并不能够保证目标方程的结果在任何给出的迭代中会降低，因为在每步迭代中，这种搜索 方法会对所有激光束的某个特定参数进行更新。然而，考虑到搜索的空间是极其大的，这样 的近似法也是有道理的，而且从结果上看，我们的方法在实际中运行的很好。综上，通过进 行内部参数校准，提高了每条光束的参数准确度，更好地解决了激光雷达自动校准自身参 数的问题。
[0077]四、接收校准
[0078]除了估计激光雷达的相对位姿极其激光束的参数外，我们还设计了一套贝叶斯生 成模型，通过最大期望值法来计算每束激光对有着不同反射率的物体表面的接收反应。 [0079]在图1所示的某些实施例中，还包括步骤S106接收校准，计算校准结果。
[0080]在具体的实施例中，随着车辆位姿的不断变化，令Τ为观测{Z1，…，ζη}的合集，其中 21为四元组化1，^，&1，(31〉，分别对应了观测的激光束的编号、距离测量、强度测量和地图网 格编号。地图可以是包含2D网格的，也就是将所有点投射到地面平面上;或者可以直接用3D 模式的，涵盖了数据的所有信息。观测到的强度为a的激光束j的确定的校准结果c(j，a)可 以通过下式计算：
[0082]也就是说，当激光束j观测到强度a时的校准结果是激光束j观测到强度a的地图网 格中其他所有激光束观测到的强度的条件期望值。
[0083]在这个基础上更进一步，我们可以引申出一个概率校准，包括步骤S108,对每束激 光束的噪音特性和不确定性建立贝叶斯模型，计算在给定地图网格分布的情况下，每束激 光强度返回值的分布。用概率校准对每束激光的噪音特性和不确定性建模，这在实际情况 中通常很难。我们认为尽管环境的反射率是连续性的，为了计算简便，我们将发射率的取值 范围限定在〇到255间的整数，这也与Velodyne激光雷达的读数范围一致。因而对于每一个 网格地图ci，我们用P(m)分布来表示网格地图 Ci的强度为m的概率，其中m=0到255。
[0084] 现在，对于每一束激光h，我们都希望估计出分布P(ai|m)，这个分布代表了在网格 地图(^的强度为m的时候，激光束匕能返回强度ai的概率。每一个网格地图都用统一的先验 强度作为初始值，对于每束激光我们将先验概率初始值定为：
[0086] 其中，q是标准化系数，τ控制着分布的峰度，ε是一个返回随机强度的非零概率。用 这个初始设置，先验光束很可能返回地图明亮处的数值，如图4所示。
[0087] 从上述给出的初始设置开始，我们要交替着计算每个网格地图的P(m)(E-Step)和 每束激光和地图强度的PUdmKM-step)。我们知道尽管每个地图网格的强度不管如何都 是独立的，但在给定的激光束模型下他们彼此是条件独立的，这就允许我们使用EM进行计 算。更新方程如下。
[0088] E-step：
[0090] 从而，在Ε-Step，我们是在给定的当前激光参数下，计算出强度分布。
[0091] M-step：
[0093] 从而，在M-step，我们是在已知观测数据和每个网格地图的现有强度分布的情况 下，计算最有可能的激光参数。首先，在已知某个网格地图每束激光观测到的强度返回值以 及该网格地图强度值分布的情况下，我们可以用E-step计算出该网格地图对所有可能强度 的概率。然后，用贝叶斯法则，我们可以算出在给定地图网格强度分布的情况下，每束激光 的可能的强度返回值的分布。
[0094] 当EM收敛以后，我们就有了一个完整的生成型模型，可以用之估计每束激光对不 同反射率的环境表面的返回值。更好地解决了激光雷达自身参数校准的问题，有利于激光 雷达快速、准确地感知环境。
[0095] 五、试验结果
[0096] 在图5和图6所述的实施例中反映了当激光雷达的安装方位不同之后，还用原来的 外参校准设置，雷达累积形成的点云呈现出变形的效果，物体表面也很模糊（图5)。与之形 成鲜明对比的是经过重新校准后的图6,点云更好的聚集在一起。
[0097] 另外，我们的内参校准也很精确。在图7所示的实施例中，展示了我们的算法能将 激光雷达从极大误差逐步调整至精确模式，只使用了 10秒钟的数据。其中，点用法向量标色 了。图a为极大误差模式下的点云，图b为经过40次迭代优化后的点云，图c为经过80次迭代 优化，图d为经过300次迭代优化。
[0098] 不仅如此，我们的内参校准效果也要远优于厂家的给出的内参校准算法结果。图8 显示的是带厂家校准的64束激光的水平角度的调整，从一样的初始设置开始，经过400次我 们的迭代运算的结果。
[0099] 在图9所示的实施例中，描绘了在已知每束激光强度返回值的情况下，预期的环境 强度。所有六十四束激光都反映在图上了，可以看出他们间有显著差别。
[0100]图10所示的实施例中，我们综合运用到了本文中所列举的所有校准方法。图片中 反映的是街道的正射强度地图，激光雷达的初始角度和距离误差都很大，在用我们提供的 内外部校准法后，可以得到中间较为清晰的图片，最后加入强度校准后可以得到大幅改善 后的右图。
[0101] 如图11所示，为一种激光雷达校准装置模块图，其中装置包括收集模块1100、外部 校准模块1102;
[0102] 所述收集模块1100用于在雷达随车运动时收集雷达反射数据；
[0103]所述外部校准模块1102用于将收集到的数据代入点阵云能量方程，求解使得能量 方程值为最小的外部校准参数；
[0104]其中点阵云能量方程为：
[0106] 其中J是点云的能量，B激光束总数，N为临近光束数，k是反射光束数，Pk是第k个点 在车体坐标系下的位置，mk是光束bi接收到反射的所有点中最接近pk的点或点集，nk是mk点 的法向量，w k在| |pk-mk| |<dmax成立时为1，否则为0。通过上述模块设计，达到了快速、准确 地自主提供位置信息的效果，使得车载激光雷达能够自主定位。
[0107] 在某些进一步的实施例中，还包括内部校准模块1104,所述内部校准模块用于求 解使得能量方程值最小的内部校准参数。通过设计内部校准模块1104进行内部参数校准， 提高了每条光束的参数准确度，更好地解决了激光雷达自动校准自身参数的问题。
[0108] 具体地，所述内部参数包括每束激光水平和垂直的角度以及距离校正值。
[0109] 具体地，所述外部校准参数包括雷达相对车体的平面坐标参数、高度、俯仰角、翻 滚角或航向角。
[0110] 在某些进一步的实施例中，还包括接收校准模块1106,所述接收校准模块用于将 雷达观测数据代入下式：
[0112] 其中j为激光束编号，a为观测强度，c为校准结果。上述模块设计解决了雷达观测 参数校准的问题。
[0113] 进一步地，还包括贝斯叶模块1108,所述贝斯叶模块用于对每束激光束的噪音特 性和不确定性建立贝叶斯模型，计算在给定地图网格分布的情况下，每束激光强度返回值 的分布。更好地解决了激光雷达自身参数校准的问题，有利于激光雷达快速、准确地感知环 境。
[0114]区别于现有技术，上述装置模块能够对激光雷达实时传回的数据进行分析，主动 校正激光雷达自身参数，达到了快速校正激光雷达，提高扫描数据准确率，提高扫描图像辨 识度的效果。
[0115]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实 体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存 在任何这种实际的关系或者顺序。而且，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……"或"包含……"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要素。此 外，在本文中，"大于"、"小于"、"超过"等理解为不包括本数；"以上"、"以下"、"以内"等理解 为包括本数。
[0116] 本领域内的技术人员应明白，上述各实施例可提供为方法、装置、或计算机程序产 品。这些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。上述各实施例涉及的方法中的全部或部分步骤可以通过程序来指令相关的硬件来 完成，所述的程序可以存储于计算机设备可读取的存储介质中，用于执行上述各实施例方 法所述的全部或部分步骤。所述计算机设备，包括但不限于:个人计算机、服务器、通用计算 机、专用计算机、网络设备、嵌入式设备、可编程设备、智能移动终端、智能家居设备、穿戴式 智能设备、车载智能设备等;所述的存储介质，包括但不限于:RAM、R0M、磁碟、磁带、光盘、闪 存、U盘、移动硬盘、存储卡、记忆棒、网络服务器存储、网络云存储等。
[0117] 上述各实施例是参照根据实施例所述的方法、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 程序指令到计算机设备的处理器以产生一个机器，使得通过计算机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。
[0118] 这些计算机程序指令也可存储在能引导计算机设备以特定方式工作的计算机设 备可读存储器中，使得存储在该计算机设备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。
[0119] 这些计算机程序指令也可装载到计算机设备上，使得在计算机设备上执行一系 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。
[0120]尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创 造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例， 并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构 或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利 保护范围之内。
【主权项】
1. 一种激光雷达校准方法，其特征在于，包括如下步骤:外部参数校准； 所述外部参数校准步骤包括:雷达随车运动，收集雷达反射数据，将收集到的数据代入 点阵云能量方程，求解使得能量方程值为最小的外部校准参数； 其中点阵云能量方程为：其中J是点云的能量，B激光束总数，N为临近光束数，k是反射光束数，Pk是第k个点在车 体坐标系下的位置，mk是光束bi接收到反射的所有点中最接近pk的点或点集，％是mk点的法 向量，Wk在llpk-mkll <dmax成立时为1，否则为0。2. 根据权利要求1所述的激光雷达校准方法，其特征在于，还包括步骤，内部参数校准， 所述内部参数校准步骤包括:求解使得能量方程值最小的内部校准参数。3. 根据权利要求2所述的激光雷达校准方法，其特征在于，所述内部参数包括每束激光 水平和垂直的角度以及距离校正值。4. 根据权利要求1所述的激光雷达校准方法，其特征在于，所述外部校准参数包括雷达 相对车体的平面坐标参数、高度、俯仰角、翻滚角或航向角。5. 根据权利要求1所述的激光雷达校准方法，其特征在于，还包括步骤，接收校准，具体 为，将雷达观测数据代入下式：其中j为激光束编号，a为观测强度，c为校准结果。6. 根据权利要求5所述的激光雷达校准方法，其特征在于，还包括步骤，对每束激光束 的噪音特性和不确定性建立贝叶斯模型，计算在给定地图网格分布的情况下，每束激光强 度返回值的分布。7. -种激光雷达校准装置，其特征在于，包括收集模块、外部校准模块； 所述收集模块用于在雷达随车运动时收集雷达反射数据； 所述外部校准模块用于将收集到的数据代入点阵云能量方程，求解使得能量方程值为 最小的外部校准参数； 其中点阵云能量方程为：其中J是点云的能量，B激光束总数，N为临近光束数，k是反射光束数，pk是第k个点在车 体坐标系下的位置，mk是光束bi接收到反射的所有点中最接近pk的点或点集，％是mk点的法 向量，Wk在llpk-mkll <dmax成立时为1，否则为0。8. 根据权利要求7所述的激光雷达校准装置，其特征在于，还包括内部校准模块，所述 内部校准模块用于求解使得能量方程值最小的内部校准参数。9. 根据权利要求8所述的激光雷达校准装置，其特征在于，所述内部参数包括每束激光 水平和垂直的角度以及距离校正值。10. 根据权利要求7所述的激光雷达校准装置，其特征在于，所述外部校准参数包括雷 达相对车体的平面坐标参数、高度、俯仰角、翻滚角或航向角。11. 根据权利要求7所述的激光雷达校准装置，其特征在于，还包括接收校准模块，所述 接收校准模;用干将雷伏观测I教抿代入下其中j为激光束编号，a为观测强度，c为校准结果。12. 根据权利要求11所述的激光雷达校准装置，其特征在于，还包括贝斯叶模块，所述 贝斯叶模块用于对每束激光束的噪音特性和不确定性建立贝叶斯模型，计算在给定地图网 格分布的情况下，每束激光强度返回值的分布。
【文档编号】G01S7/497GK105866762SQ201610107997
【公开日】2016年8月17日
【申请日】2016年2月26日
【发明人】潘晨劲, 赵江宜
【申请人】福州华鹰重工机械有限公司