车载三维激光雷达外参数的分步自动标定算法 下载: 1471次
1 引言
近几年,随着人工智能浪潮的再次兴起,智能驾驶技术迎来了井喷式的发展。三维激光雷达具有精度高、测距范围大,以及不受光线影响等特点[1],已被广泛应用于智能驾驶车辆的障碍物检测[2]、即时定位与地图构建[3]、车道线检测[4]等环境感知领域[5-8]。随着三维激光雷达量产规模的不断扩大以及固态激光雷达技术的不断发展,其成本高的缺点正在被逐步克服,这使得它的使用价值有望进一步提高。
三维激光雷达一般安装于智能驾驶车辆的顶部,而车体坐标系的原点一般设置为激光雷达沿铅垂方向投影到地面的点,这使得激光雷达坐标系与车体坐标系之间存在纵向位移Δ
针对以上问题,本文提出了一种车载三维激光雷达外参数分步自动标定算法,将标定过程分解为2个步骤:第1步标定算法以地面为参照,完成对激光雷达俯仰角、横滚角和纵向位移的标定;第2步标定算法以第1步标定的完成为基础,在车辆沿直线行驶过程中,以标定杆为参照,完成对激光雷达航向角的标定。整个标定过程由程序自动执行,无须人工测量任何物理量,标定算法不涉及除激光雷达之外的其他传感器。
2 算法原理
激光雷达坐标系
激光雷达坐标系和车体坐标系之间的转换关系为
式中
由此可知,求解出
2.1 第1步标定算法原理
第1步标定算法忽略航向角
图 1. 激光雷达坐标系与车体坐标系的相对位置
Fig. 1. Relative position of lidar coordinate system and vehicle coordinate system
地面在激光雷达坐标系下的平面方程为
式中
采用最小二乘法拟合地面点云在激光雷达坐标系下的平面方程[13-14]。求取地面水平度函数
第1步标定算法整体流程如下:
1) 输入原始地面点云数据。
2) 初始化参数
3) PSO算法以地面水平度函数
4) 根据更新的
5) 根据(3)式,通过最小二乘法拟合更新地面点云在激光雷达坐标系下的平面方程。
6) 根据(4)式,更新地面水平度函数
7) 判断
2.2 第2步标定算法原理
第1步标定完成后,在激光雷达坐标系的二维平面内进行第2步标定,即不考虑所有激光点云的高度,计算激光雷达坐标系与车体坐标系之间的航向角
在车辆沿直线行驶过程中,采集多帧含有同一标定杆的激光点云,通过高程滤波等方式从激光点云中提取标定杆,再采用
图 3. 第2步标定算法原理。(a)标定杆聚类中心;(b)以激光雷达坐标系为参照的多帧同一标定杆聚类中心
Fig. 3. The second step calibration algorithm principle. (a) Clustering center of calibration rod; (b) multi-frame same calibration rod clustering center with reference to the lidar coordinate system
采用最小二乘法对
式中
3 误差分析及算法仿真验证
提出的车载三维激光雷达外参数分步自动标定算法所标定的系统误差主要有激光雷达本身的测距误差和最小二乘法拟合数据的误差。此外,第2步标定算法中车辆行驶轨迹的直线度误差会影响多帧同一标定杆聚类中心进行直线拟合的精确度,进而影响航向角
表 1. 仿真中选取的PSO参数
Table 1. PSO parameters selected in simulation
|
仿真中用于测试第1步标定算法的地面点云由人工通过程序在已知倾斜角度(目标标定值)的平面内设定若干点构成,计算过程中PSO算法每次迭代更新的
选取多组目标标定值进行仿真,结果如
表 2. 多次仿真的结果
Table 2. Results of multiple simulation
|
仿真结果表明,所提出的车载三维激光雷达外参数自动标定算法中的第1步标定算法在输入地面点云后,标定过程由程序自动执行,该算法可行,而且标定精度高,时间复杂度低。
4 实车实验
4.1 第1步标定算法的实车实验
实车实验中使用C++语言编写算法程序。由于C++语言的执行效率远高于仿真中M函数的执行效率,因此在使用真实激光点云数据之前,利用点云库(PCL)生成已知倾斜角度的模拟地面点云来调整仿真得到的PSO参数,以进一步提高标定精度。最终调整的PSO参数如
表 3. 调整的PSO参数
Table 3. Adjusted PSO Parameters
|
实验平台是基于某品牌纯电动车改造的试验车,该车搭载美国Velodyne公司的HDL-32E型激光雷达,实验车行驶到地面平整的开阔场地后,采集包含地面点云的点云数据(PCD)文件。相继使用PCL中的loadPCDFile函数以及Viewer类相关函数,读取离线PCD文件中的原始点云数据并将其可视化示,然后进行滤波处理[17],得到地面激光点云,如
将滤波得到的地面点云数据输入到第1步标定算法中,标定前后的地面点云以及使用最小二乘法拟合的平面如
4.2 第2步标定算法的实车实验
将第1步标定算法计算出的
第2步标定算法实车实验所需要的标定杆以及实际标定场景如
对离线PCD文件中的点云数据进行滤波及
将计算出的
5 结论
针对车载三维激光雷达外参数标定问题,提出了一种分步自动标定算法。第1步在提取地面方程后构造水平度函数,通过PSO算法优化水平度函数来求解
[1] 杨飞, 朱株, 龚小谨, 等. 基于三维激光雷达的动态障碍实时检测与跟踪[J]. 浙江大学学报(工学版), 2012, 46(9): 1565-1571.
Yang Fei, Zhu Zhu, Gong Xiaojin, et al. Real-time dynamic obstacle detection and tracking using 3D lidar[J]. Journal of Zhejiang University (Engineering Science), 2012, 46(9): 1565-1571.
[2] 王新竹, 李骏, 李红建, 等. 基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法[J]. 吉林大学学报(工学版), 2016, 46(2): 360-365.
[5] 谭筠. 结构化环境下基于信息融合的道路场景感知技术研究[D]. 长沙: 国防科学技术大学, 2014.
TanJun. Research on road-scene perception technologies based on information fusion in structural environments[D]. Changsha: National University of Defense Technology, 2014.
[6] 肖强. 地面无人车辆越野环境多要素合成可通行区域检测[D]. 北京: 北京理工大学, 2015.
XiaoQiang. Multi-elements composed drivable area extraction for unmanned ground vehicles in field terrain[D]. Beijing: Beijing Institute of Technology, 2015.
[7] 龚天安, 王云才, 孔令琴, 等. 面向汽车防撞的混沌激光雷达[J]. 中国激光, 2009, 36(9): 2426-2430.
[8] 寇添, 王海晏, 王芳, 等. 基于机载激光雷达成像的动目标轨迹检测模型[J]. 激光与光电子学进展, 2015, 52(10): 101002.
[9] 叶刚. 城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 北京: 北京理工大学, 2016.
YeGang. Multi-target detection and tracking algorithm for autonomous driving car based on a 3D lidar in urban traffic environment[D]. Beijing: Beijing Institute of Technology, 2016.
[10] 焦宏伟, 秦石乔, 胡春生, 等. 一种脉冲激光雷达与摄像机标定方法的研究[J]. 中国激光, 2011, 38(1): 0108006.
[11] 陈远, 赵志敏, 陈震. 激光雷达和CCD外部标定方法的改进及其应用研究[J]. 应用激光, 2008, 28(3): 219-222.
[12] 朱株. 基于三维数据面向无人车导航的非结构化场景理解[D]. 杭州: 浙江大学, 2014.
ZhuZhu. 3D data based understanding of unstructured scenes for vehicle navigation[D]. Hangzhou: Zhejiang University, 2014.
[13] 李伟, 孙元超, 李宗春, 等. 一种改进的最小二乘平面拟合算法[J]. 测绘科学, 2017, 42(1): 15-19, 100.
[14] 曾齐红, 毛建华, 李先华, 等. 激光雷达点云平面拟合过滤算法[J]. 武汉大学学报(信息科学版), 2008, 33(1): 25-28.
[15] 王皓, 欧阳海滨, 高立群. 一种改进的全局粒子群优化算法[J]. 控制与决策, 2016, 31(7): 1161-1168.
[16] 赵文冲, 蔡江辉, 赵旭俊, 等. 一种影响空间下的快速K-means聚类算法[J]. 小型微型计算机系统, 2016, 37(9): 2060-2064.
[17] 王金亮, 陈联君. 激光雷达点云数据的滤波算法述评[J]. 遥感技术与应用, 2010, 25(5): 632-638.
Article Outline
陈贵宾, 高振海, 何磊. 车载三维激光雷达外参数的分步自动标定算法[J]. 中国激光, 2017, 44(10): 1010004. Chen Guibin, Gao Zhenhai, He Lei. Step-By-Step Automatic Calibration Algorithm for Exterior Parameters of 3D Lidar Mounted on Vehicle[J]. Chinese Journal of Lasers, 2017, 44(10): 1010004.