阅读说明：本技术 点云去畸变方法及车载激光雷达到imu的外参标定方法 (Point cloud distortion removal method and external reference calibration method for vehicle-mounted laser radar reaching IMU ) 是由 李帅杰 骆沛 倪凯 于 2019-09-25 设计创作，主要内容包括：本发明公开了一种点云去畸变方法及车载激光雷达到IMU的外参标定方法,其中点云去畸变方法包括如下步骤：S1、记录数据采集周期内抓取的各个点云以及所述点云的各个3D点的时间戳；S2、记录数据采集周期内IMU的运动轨迹；S3、利用所述时间戳和IMU的运动轨迹得到在采集各个所述点云时激光雷达的位置和姿态；S4、通过外参将S3得到的每帧点云的坐标值转换至该帧点云中第一个3D点采集时刻的激光雷达坐标系下,即实现了点云去畸变。其保证了车辆在运行过程中采集点云的准确度,首先在数据处理阶段提高了标定的精确度。(The invention discloses a point cloud distortion removing method and an external reference calibration method of a vehicle-mounted laser radar IMU (inertial measurement Unit), wherein the point cloud distortion removing method comprises the following steps: s1, recording each point cloud captured in a data acquisition period and the time stamp of each 3D point of the point cloud; s2, recording the motion trail of the IMU in the data acquisition period; s3, obtaining the position and the posture of the laser radar when each point cloud is collected by using the timestamp and the motion trail of the IMU; and S4, converting the coordinate value of each frame of point cloud obtained in the S3 to a laser radar coordinate system at the first 3D point acquisition time in the frame of point cloud through external reference, and then realizing point cloud distortion removal. The method ensures the accuracy of point cloud collection of the vehicle in the running process, and improves the calibration accuracy in the data processing stage.)

点云去畸变方法及车载激光雷达到IMU的外参标定方法

技术领域

本发明涉及应用于自动驾驶技术领域，尤其涉及一种点云去畸变方法及车载激光雷达到IMU的外参标定方法。

背景技术

自动驾驶，泛指协助或代替人类驾驶汽车的技术。随着这一技术的发展将使得人们的出行更加方便，且减少了人工驾驶的人为因素的影响，能够在某种程度上进一步提高驾驶的安全性。而在自动驾驶各项技术当中，高精度定位是重中之重，因为它直接影响了其他自动驾驶模块的输入。精确的定位是执行感知和决策控制等其他自动驾驶功能的先决条件。目前自动驾驶的定位主要依赖于GPS、激光雷达和惯性测量单元IMU三者的融合，而为了保证车辆定位的精准性，必须首先保证三者之间的标定精准，即首要要保证车载激光雷达到IMU的标定的准确性。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种点云去畸变方法，保证了车辆在运行过程中采集点云的准确度，首先在数据处理阶段提高了标定的精确度。

本发明还有一个目的是提供一种车载激光雷达到IMU的外参标定方法，保证了标定精度，且提高了标定效率，并易于实施。

为实现上述目的和一些其他的目的，本发明采用如下技术方案：

一种点云去畸变方法，包括如下步骤：

S1、记录数据采集周期内抓取的各个点云以及所述点云的各个3D点的时间戳；

S2、记录数据采集周期内IMU的运动轨迹；

S3、利用所述时间戳和IMU的运动轨迹得到在采集各个所述点云时激光雷达的位置和姿态；

S4、通过外参将S3得到的每帧点云的坐标值转换至该帧点云中第一个3D点采集时刻的激光雷达坐标系下，即实现了点云去畸变。

优选的是，所述的点云去畸变方法中，所述外参的初始值在激光雷达安装在车辆后通过测量得到。

优选的是，所述的点云去畸变方法中，所述采集周期为1帧。

一种车载激光雷达到IMU的外参标定方法，包括如下步骤：

步骤1、采集利用权利要求1所述的方法得到的点云中的不同时间段中的相关联的点云；

步骤2、利用所述相关联的点云构建目标函数；

步骤3、利用所述目标函数优化外参；

步骤4、重复步骤1-步骤3，对所述外参进行迭代优化，直至所述目标函数小于预设的阈值或达到最大迭代次数，即标定出车载激光雷达到IMU的外参。

优选的是，所述的车载激光雷达到IMU的外参标定方法中，所述相关联的点云指不同时间段中采集的同名点云。

优选的是，所述的车载激光雷达到IMU的外参标定方法中，所述不同时间段指不同的两帧。

优选的是，所述的车载激光雷达到IMU的外参标定方法中，所述同名点云的采集方法为：

步骤1-1、将不同的两帧的点云均转换至同一坐标系下；

步骤1-2、将在同一坐标系下两帧中位置最相近的点云定义为同名点云。

优选的是，所述的车载激光雷达到IMU的外参标定方法中，利用所述相关联的点云构建目标函数的方法为：

步骤2-1、由车载激光雷达分别得到所述不同的两帧的坐标值；

步骤2-2、将不同的两帧的坐标值去畸变并统一至同一坐标系下；

步骤2-3、计算不同的两帧在同一坐标系下的坐标值间的差值，即得到所述目标函数。

优选的是，所述的车载激光雷达到IMU的外参标定方法中，通过高斯牛顿算法或LM算法利用所述目标函数优化外参。

优选的是，所述的车载激光雷达到IMU的外参标定方法中，步骤4后还包括：

步骤5、利用步骤4得到的用于标定车载激光雷达到IMU的外参将不同时间段中采集的相关联的点云转换至同一坐标系下，将得到点云进行拼接，并判断拼接的点云展现的结构是否清晰；是，则采用步骤4得到的外参对车载激光雷达进行标定；否，则重新抓取点云。

本发明至少包括以下有益效果：

本发明的点云去畸变方法中，首先利用采集周期内抓取的点云以及点云的各个3D点的时间戳和IMU的运动轨迹得到各个点云在采集时激光雷达的位置和姿态，然后通过外参将每帧点云的坐标值转换至该帧点云中第一个3D点采集时刻的激光雷达的坐标系下，进而实现了点云的去畸变，从而有效的去除了在车辆运行过程中采集的点云的畸变问题，从而在数据抓取阶段即提高了后续标定的准确度。

本发明的车载激光雷达到IMU的外参标定方法中，首先采集不同时间段中的相关联的点云，然后利用所述相关联的点云构建目标函数，而后利用所述目标函数优化外参，进而利用优化的外参对点云进行去畸变，再利用相关联的点云构建目标函数，即实现对所述外参的迭代优化，直至所述目标函数小于预设的阈值或达到最大迭代次数，即得到用于标定车载激光雷达到IMU的外参，方法简单易于实施，且对于外参的标定对标定场景无要求，不需要特定的标记物，同时也适用于多个激光雷达的同时标定，从而有效的提高了标定的效率。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

具体实施方式

下面对本发明做详细说明，以令本领域普通技术人员参阅本说明书后能够据以实施。

一种点云去畸变方法，包括如下步骤：

S1、记录数据采集周期内抓取的各个点云以及所述点云的各个3D点的时间戳；

S2、记录数据采集周期内IMU的运动轨迹；

S3、利用所述时间戳和IMU的运动轨迹得到在采集各个所述点云时激光雷达的位置和姿态；

S4、通过外参将S3得到的每帧点云的坐标值转换至该帧点云中第一个3D点采集时刻的激光雷达坐标系下，即实现了点云去畸变。

在上述方案中，首先利用采集周期内抓取的点云以及点云的各个3D点的时间戳和IMU的运动轨迹得到各个点云在采集时激光雷达的位置和姿态，然后通过外参将每帧点云的坐标值转换至该帧点云中第一个3D点采集时刻的激光雷达的坐标系下，进而实现了点云的去畸变，从而有效的去除了在车辆运行过程中采集的点云的畸变问题，从而在数据处理阶段即提高了后续标定的准确度。

其中，考虑到IMU本身的特性，在采集周期内，使车辆按照“8”字形轨迹进行行驶，以保证IMU在各个方向上均能得到足够的激励，进而提高了采集的IMU的运行轨迹的准确度。

一个优选方案中，所述初始外参在激光雷达安装在车辆后通过测量得到。

一个优选方案中，所述采集周期为1帧。

一种车载激光雷达到IMU的外参标定方法，包括如下步骤：

步骤1、采集利用权利要求1所述的方法得到的点云中的不同时间段中的相关联的点云；

步骤2、利用所述相关联的点云构建目标函数；

步骤3、利用所述目标函数优化外参；

步骤4、重复步骤1-步骤3，对所述外参进行迭代优化，直至所述目标函数小于预设的阈值或达到最大迭代次数，即标定出车载激光雷达到IMU的外参。

在上述方案中，首先采集不同时间段中的相关联的点云，然后利用所述相关联的点云构建目标函数，而后利用所述目标函数优化外参，最后对所述外参进行迭代优化，直至所述目标函数小于预设的阈值或达到最大迭代次数，即得到用于标定车载激光雷达到IMU的外参，方法简单易于实施，且对于外参的标定对标定场景无要求，不需要特定的标记物，同时也适用于多个激光雷达的同时标定，从而有效的提高了标定的效率。

一个优选方案中，所述相关联的点云指不同时间段中采集的同名点云。

在上述方案中，同名点云即在不同时间段采集的场景中同一位置的点云。

一个优选方案中，所述不同时间段指不同的两帧。

一个优选方案中，所述同名点云的采集方法为：

步骤1-1、将不同的两帧的点云均转换至同一坐标系下；

步骤1-2、将在同一坐标系下两帧中位置最相近的点云定义为同名点云。

在上述方案中，同名点云在不同时间段采集的点云转换至同一坐标系下时，理论上必定位于同一位置，因而在考虑到误差的情况下选定位置最相近的点云为同名点云。

一个优选方案中，利用所述相关联的点云构建目标函数的方法为：

步骤2-1、由车载激光雷达分别得到所述不同的两帧的坐标值；

步骤2-2、将不同的两帧的坐标值去畸变并统一至同一坐标系下；其中，对坐标值的去畸变采用与点云去畸变相同的方法。

步骤2-3、计算不同的两帧在同一坐标系下的坐标值间的差值，即得到所述目标函数。

一个优选方案中，通过高斯牛顿算法或LM算法利用所述目标函数优化初始外参。

一个优选方案中，步骤4后还包括：

步骤5、利用步骤4得到的用于标定车载激光雷达到IMU的外参将不同时间段中采集的相关联的点云转换至同一坐标系下，将得到点云进行拼接，并判断拼接的点云展现的结构是否清晰；是，则采用步骤4得到的外参对车载激光雷达进行标定；否，则重新抓取点云。

在上述方案中，通过对拼接点云展现的结构是否清晰进行判断，能够有效的判定选定的外参是否准确，从而在外参不准确时，能够及时重新进行数据抓取，以获取准确的外参。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。