一种基于多激光雷达数据融合的方法与流程

技术领域：

本发明涉及一种基于多激光雷达数据融合的方法，其属于电动汽车智能驾驶技术领域。

背景技术：
：

自动驾驶感知中多传感器融合成了无人驾驶领域的趋势，多传感器信息融合(multi-sensorinformationfusion,msif)，就是利用计算机技术将来自多传感器或多源的信息和数据，在一定的准则下加以自动分析和综合，以完成所需要的决策和估计而进行的信息处理过程。融合按照实现原理分为原始数据前融合和目标数据后融合；利用传感器的底层数据进行融合称为原始数据前融合；利用传感器各种得到的后期识别结果，即每个传感器各自独立生成目标数据，再由主处理器进行融合这些特征数据来实现感知任务称为后期目标数据融合；目前的融合方式多为后期目标数据融合；先由各传感器完成感知或定位任务，如障碍物检测，车道线检测，语义分割和跟踪以及车辆自身定位等,然后添加置信度进行融合。这种后期目标数据融合的方式处理算法相对简单，可以模块化进行，但是效果精度不如原始数据融合。

技术实现要素：
：

本发明是为了解决上述现有技术存在的问题而提供一种基于多激光雷达数据融合的方法，采用32线主激光雷达和两颗16线扫盲侧向激光雷达实现点云重合部分原始数据基于迭代最近点(iterativeclosestpoint,icp)算法进行点集的融合，实现目标物的高精度识别。

本发明采用如下技术方案：一种基于多激光雷达数据融合的方法，包括如下步骤：

步骤一：读取主激光雷达的原始数据sc1和侧向激光雷达的原始数据sc2；

步骤二：初始化旋转矩阵和平移矩阵；

步骤三：根据步骤二中的旋转矩阵和平移矩阵，变换点云，得到新的点云sc2_；

步骤四：寻找邻近点对，得到重新排列的主雷达点云sc1_；

步骤五：分别去中心得到_sc1_和_sc2_；

步骤六：对应点对矩阵和svd分解得到新的旋转矩阵和平移矩阵；

步骤七：重复迭代步骤三到步骤六，直到对应点对位置差小于设置的阈值。

进一步地，步骤二中，通过一个转换矩阵实现，这个转换矩阵，定义为h，h分解为一个旋转矩阵t加一个平移向量m

其中，m＝[x0y0z0]^t，a30＝a31＝a32＝0，a33＝1；

把不同坐标系下的点p、q进行一次坐标转换，p＝tq+m；对于上述的变换，进行参数估计。

进一步地，首先获得一组重合区域的点集合k、l，建立目标函数ki和li分别为点集合k、l中的点坐标，求解minf(t,m)的最优解。

本发明具有如下有益效果：本发明基于多激光雷达数据融合的方法可以有效地将多个激光雷达的数据充分利用，规避多雷达共同的扫描区域目标物被识别为多个物体，保证对智能驾驶车辆周围环境精准的识别，保证决策算法以及后融合算法的数据有效利用。

附图说明：

图1为本发明基于多激光雷达数据融合的方法的流程图。

具体实施方式：

下面结合附图对本发明作进一步的说明。

本发明基于多激光雷达数据融合的方法，包括如下步骤：

步骤一：读取主激光雷达的原始数据sc1和侧向激光雷达的原始数据sc2；

步骤二：初始化旋转矩阵和平移矩阵；

步骤三：根据步骤二中的旋转矩阵和平移矩阵，变换点云，得到新的点云sc2_；

步骤四：寻找邻近点对，得到重新排列的主雷达点云sc1_；

步骤五：分别去中心得到_sc1_和_sc2_；

步骤六：对应点对矩阵和svd分解得到新的旋转矩阵和平移矩阵；

步骤七：重复迭代步骤三到步骤六，直到对应点对位置差小于设置的阈值。

其中icp算法的基本原理：在点云匹配数据融合过程中终极目标就是通过一次旋转和平移实现把不同坐标系下的多组点云信息转化到统一的一个坐标系下。上述过程可以通过一个转换矩阵实现，这个转换矩阵，定义为h，h又可以分解为一个旋转矩阵t加一个平移向量m

其中，m＝[x0y0z0]^t，a30＝a31＝a32＝0，a33＝1；

把不同坐标系下的点p、q进行一次坐标转换，p＝tq+m；对于上述的变换，需要进行参数估计。首先获得一组重合区域的点集合k、l，建立目标函数ki和li分别为点集合k、l中的点坐标，问题转化为求minf(t,m)的最优解问题。

根据一定的约束条件，找出最邻近点(ki,li)，求出最优匹配参数t和m，使得误差最小，误差函数f(t,m)最小。通过上述最小二乘法(求方差)求出最小二乘误差，如果最小二乘误差小于设定的值，(或迭代次数达到上限，或每次重新迭代后最小二乘误差总在一个很小的范围内不再发生变化)，则计算结束，否则继续进行迭代。

本发明基于多激光雷达数据融合的方法可以有效地将多个激光雷达的数据充分利用，规避多雷达共同的扫描区域目标物被识别为多个物体，保证对智能驾驶车辆周围环境精准的识别，保证决策算法以及后融合算法的数据有效利用。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下还可以作出若干改进，这些改进也应视为本发明的保护范围。

技术特征：

1.一种基于多激光雷达数据融合的方法，其特征在于：包括如下步骤：

步骤一：读取主激光雷达的原始数据sc1和侧向激光雷达的原始数据sc2；

步骤二：初始化旋转矩阵和平移矩阵；

步骤三：根据步骤二中的旋转矩阵和平移矩阵，变换点云，得到新的点云sc2_；

步骤四：寻找邻近点对，得到重新排列的主雷达点云sc1_；

步骤五：分别去中心得到_sc1_和_sc2_；

步骤六：对应点对矩阵和svd分解得到新的旋转矩阵和平移矩阵；

步骤七：重复迭代步骤三到步骤六，直到对应点对位置差小于设置的阈值。

2.如权利要求1所述的基于多激光雷达数据融合的方法，其特征在于：步骤二中，通过一个转换矩阵实现，这个转换矩阵，定义为h，h分解为一个旋转矩阵t加一个平移向量m

其中，m＝[x0y0z0]^t，a30＝a31＝a32＝0，a33＝1；

把不同坐标系下的点p、q进行一次坐标转换，p＝tq+m；对于上述的变换，进行参数估计。

3.如权利要求2所述的基于多激光雷达数据融合的方法，其特征在于：首先获得一组重合区域的点集合k、l，建立目标函数ki和li分别为点集合k、l中的点坐标，求解minf(t,m)的最优解。

技术总结
本发明公开了一种基于多激光雷达数据融合的方法，包括如下步骤：读取主激光雷达的原始数据SC1和侧向激光雷达的原始数据SC2；初始化旋转矩阵和平移矩阵；根据步骤二中的旋转矩阵和平移矩阵，变换点云，得到新的点云SC2_；寻找邻近点对，得到重新排列的主雷达点云SC1_；分别去中心得到_SC1_和_SC2_；对应点对矩阵和SVD分解得到新的旋转矩阵和平移矩阵；重复迭代步骤三到步骤六，直到对应点对位置差小于设置的阈值。本发明基于多激光雷达数据融合的方法可以有效地将多个激光雷达的数据充分利用，规避多雷达共同的扫描区域目标物被识别为多个物体，保证对智能驾驶车辆周围环境精准的识别，保证决策算法以及后融合算法的数据有效利用。

技术研发人员：张林灿;董钊志;张婉蒙;宋罡;刘树全
受保护的技术使用者：沃行科技(南京)有限公司
技术研发日：2020.05.07
技术公布日：2020.07.14