多激光雷达外参的自动标定方法与流程

1.本发明涉及自动驾驶技术领域，具体是一种多激光雷达外参的自动标定方法。


背景技术：

2.随着自动驾驶技术的快速发展，基于多激光雷达的建图定位系统也得到广泛应用。采用多个低线束激光雷达代替单个高线束激光雷达的方案，既有效的降低了硬件成本，又减少了系统的视野盲区，对于自动驾驶技术的落地有着重要的意义。但多激光雷达系统本身具有一定的不确定性，其中如何准确、简单的标定各雷达的外参关系，一直是工业界、学术界在不断深入探索、研究的一个热门问题。目前现有的多激光外参标定方法，基本均采用点云匹配的思路，通常需要在标定时提供额外的条件，例如：提供定制的标定房间、特殊结构的被测物体以增强点云的采集质量；增加辅助激光提供共同视野、设定良好的初始外参关系、引入其他传感器估计位置等约束各激光之间的匹配条件。这些方法可以获得较高精度的标定结果，但在整个流程中，或成本较大、或时间较长，同时标定完成后，一旦外参发生变化，需要再次进行标定，对于长时间运行的系统而言，代价过大。


技术实现要素：

3.本发明为了解决现有技术的问题，提供了一种多激光雷达外参的自动标定方法，可以在各激光之间无初始外参、无共识关系的情况下，仅通过一定时间的运动，获得较高精度的标定结果，并自动更新。适应大多数场景、极少人为介入、按情况自动更新的特点，进而保证多激光雷达建图定位系统的长时间运行，具有重要的工程实际价值。
4.本发明提供了一种多激光雷达外参的自动标定方法，核心技术包括：
5.1.一种自动化外参标定流程；
6.2.一种基于相对运动的多激光初始外参估计；
7.3.一种基于智能算法的外参精度优化；
8.4.一种增量式外参更新机制。
9.该方法具体包括以下步骤：
10.1)多激光点云输入：标定系统获取连续采集的各激光点云数据，验证各激光在同一时刻或短时间内存在有效点云数据，保存各点云数据及其采集时间。
11.2)计算运动时间和里程：统计采集有效点云的时间和里程；其中，运动时间规定为连续一段时间内采集点云均为有效点云的时间间隔，当出现无效点云时，运动时间和1.1中保存的点云数据都将会重置；运动里程规定为运动时间内点云走过的里程，里程获取可通过包括但不限于slam、icp、运动状态估计的方式。
12.3)增量式标定状态判断：根据设定的运动时间和里程增量阈值判断是否进入具体标定流程，当时间和里程同时满足阈值条件后，判断当前系统是否已完成初始外参估计，若完成，则根据已有初始化外参进行外参精度优化，否则进入下一步。
13.4)外参初始化估计：根据步骤1)中保存的点云进行外参初始化估计后，返回步骤
2)再次进入标定流程。
14.4.1)获取各激光点云，将步骤1)中保存的点云按激光i和时间戳j生成点云序列，
[0015][0016]
4.2)计算每帧点云位姿，根据步骤4.1)中点云序列li，计算点云位姿计算方法包括slam、icp、运动状态估计方法；
[0017]
4.3)筛选有效位姿，
[0018]
已知位姿t＝(x，y，z，roll，pitch，yaw)，规定
[0019]
ti±
tj＝(xi±
xj，yi±
yj，zi±
zj，rolli±
rollj，pitchi±
pitchj，yawi±
yawj)
[0020]
对于激光i，根据与的计算时刻j的位姿差并设计评价函数如下：
[0021][0022][0023]
当φ小于规定阈值时，则认为时刻j的激光位姿为有效位姿；
[0024]
4.4)初始外参计算，对于有效位姿所在的所有时刻，随机选取s个时刻作为一组，一共选取m组，按组进行手眼标定，计算每组激光雷达i，j之间的外参关系
[0025]
4.5)筛选有效外参，对激光雷达i，j的m组外参进行聚类，选取组数最多类的外参平均值作为激光雷达i，j的有效外参其中聚类算法包括但不限于kmeans、dbscan、层次聚类；聚类因子可选用位姿参数，如欧拉角、李群等。最终n个激光雷达形成有效外参集合为
[0026]
4.6)外参优化，对集合ω中所有元素进行优化，记优化后的外参关系为选择激光雷达1作为原点，按递推计算第i个雷达的位置，最后经过获得雷达1的位置误差t
δ1
作为一组约束，同时每个与的误差形成一组约束，最后共形成个约束，采用非线性优化的方式，使所有约束的总误差最小，并记优化后外参集合
[0027]
4.7)输出外参，将集合作为初始外参输出至下一流程。
[0028]
5)外参精度优化：根据步骤1)中保存的点云和步骤4)中获得的初始化外参进行外参细优化。
[0029]
5.1)激光点云局部建图，点云序列li进行建图，建图方式包括但不限于slam，对点云序列l1进行整体建图，生成地图map1，对其他序列进行局部建图，生成地图序列对于每个局部地图选择时刻j前后多帧点云；
[0030]
5.2)筛选有效地图，对于地图序列mapi，计算每个局部地图的体积，设定阈值s，选择体积大于s的局部地图为有效地图，则有效地图集合为
[0031][0032]
5.3)地图匹配，对激光1和激光i，根据外参集合将地图集合中元素分别和map1进行配准，配准方法包括但不限与icp、gicp，最终获得配准外参集合
[0033]
5.4)筛选有效外参，对于集合采用2.5中所述聚类算法，同样取平均值获得有效外参，最终n个激光雷达形成有效外参集合为
[0034]
5.5)智能算法细优化，根据将点云序列li转换到l1所在坐标系，在的李群切空间内采用粒子群算法优化使l1与li中所有点云欧式距离之和最短，此时获得细优化后点外参集合
[0035]
5.6)输出外参，将外参集合ω
true
输出，作为最终标定外参，同时返回步骤2)检测是否需要再次进行外参计算。
[0036]
6)外参输出：将步骤5)中获得的外参进行输出，返回步骤2)再次进入标定流程。
[0037]
本发明有益效果在于：
[0038]
1、本发明设计了一整套全自动的多激光外参标定流程，可以在各激光之间无初始外参、无共识关系的情况下，仅通过一定时间的运动，获得较高精度的标定结果，并自动更新。
[0039]
2、本方法具备适应大多数场景、极少人为介入、按情况自动更新的特点，进而保证多激光雷达建图定位系统的长时间运行，具有重要的工程实际价值。
附图说明
[0040]
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它的附图。
[0041]
图1是整个标定的流程图；
[0042]
图2是初始外参估计的流程图；
[0043]
图3是外参精度优化的流程图。
具体实施方式
[0044]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
[0045]
本发明提供了一种多激光雷达外参的自动标定方法，如图1所示，包括以下步骤：
[0046]
1)多激光点云输入：标定系统获取连续采集的各激光点云数据，验证各激光在同一时刻或短时间内存在有效点云数据，保存各点云数据及其采集时间。
[0047]
2)计算运动时间和里程：统计采集有效点云的时间和里程；其中，运动时间规定为连续一段时间内采集点云均为有效点云的时间间隔，当出现无效点云时，运动时间和1.1中保存的点云数据都将会重置；运动里程规定为运动时间内点云走过的里程，里程获取可通过包括但不限于slam、icp、运动状态估计的方式。
[0048]
3)增量式标定状态判断：根据设定的运动时间和里程增量阈值判断是否进入具体标定流程，当时间和里程同时满足阈值条件后，判断当前系统是否已完成初始外参估计，若完成，则根据已有初始化外参进行外参精度优化，否则进入下一步。
[0049]
4)外参初始化估计：根据步骤1)中保存的点云进行外参初始化估计后，返回步骤2)再次进入标定流程，整体流程如图2所示。
[0050]
4.1)获取各激光点云，将步骤1)中保存的点云按激光i和时间戳j生成点云序列，
[0051][0052]
4.2)计算每帧点云位姿，根据步骤4.1)中点云序列li，计算点云位姿计算方法包括slam、icp、运动状态估计方法；
[0053]
4.3)筛选有效位姿，
[0054]
已知位姿t＝(x，y，z，roll，pitch，yaw)，规定
[0055]
ti±
tj＝(xi±
xj，yi±
yj，zi±
zj，rolli±
rollj，pitchi±
pitchj，yawi±
yawj)
[0056]
对于激光i，根据与的计算时刻j的位姿差并设计评价函数如下：
[0057][0058][0059]
当φ小于规定阈值时，则认为时刻j的激光位姿为有效位姿；
[0060]
4.4)初始外参计算，对于有效位姿所在的所有时刻，随机选取s个时刻作为一组，一共选取m组，按组进行手眼标定，计算每组激光雷达i，j之间的外参关系
[0061]
4.5)筛选有效外参，对激光雷达i，j的m组外参进行聚类，选取组数最多类的外参平均值作为激光雷达i，j的有效外参其中聚类算法包括但不限于kmeans、dbscan、层次聚类；聚类因子可选用位姿参数，如欧拉角、李群等。最终n个激光雷达形成有效外参集合为
[0062]
4.6)外参优化，对集合ω中所有元素进行优化，记优化后的外参关系为选择激光雷达1作为原点，按递推计算第i个雷达的位置，最后经过获得雷达1的位置误差t
δ1
作为一组约束，同时每个与的误差形成一组约束，最后共形成个约束，
采用非线性优化的方式，使所有约束的总误差最小，并记优化后外参集合
[0063]
4.7)输出外参，将集合作为初始外参输出至下一流程。
[0064]
5)外参精度优化：根据步骤1)中保存的点云和步骤4)中获得的初始化外参进行外参细优化，如图3所示。
[0065]
5.1)激光点云局部建图，点云序列li进行建图，建图方式包括但不限于slam，对点云序列l1进行整体建图，生成地图map1，对其他序列进行局部建图，生成地图序列对于每个局部地图选择时刻j前后多帧点云；
[0066]
5.2)筛选有效地图，对于地图序列mapi，计算每个局部地图的体积，设定阈值s，选择体积大于s的局部地图为有效地图，则有效地图集合为
[0067][0068]
5.3)地图匹配，对激光1和激光i，根据外参集合将地图集合中元素分别和map1进行配准，配准方法包括但不限与icp、gicp，最终获得配准外参集合
[0069]
5.4)筛选有效外参，对于集合采用2.5中所述聚类算法，同样取平均值获得有效外参，最终n个激光雷达形成有效外参集合为
[0070]
5.5)智能算法细优化，根据将点云序列li转换到l1所在坐标系，在的李群切空间内采用粒子群算法优化使l1与li中所有点云欧式距离之和最短，此时获得细优化后点外参集合
[0071]
5.6)输出外参，将外参集合ω
true
输出，作为最终标定外参，同时返回步骤2)检测是否需要再次进行外参计算。
[0072]
6)外参输出：将步骤5)中获得的外参进行输出，返回步骤2)再次进入标定流程。
[0073]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，以上所述仅是本发明的优选实施方式，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，对于本技术领域的普通技术人员来说，可轻易想到的变化或替换，在不脱离本发明原理的前提下，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。