用于无人车的传感器标定方法、装置及电子设备制造方法及图纸

本公开涉及无人驾驶技术领域，提供了一种用于无人车的传感器标定方法、装置及电子设备。该方法应用于无人驾驶设备，即自动驾驶设备或无人车，包括：在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；利用预定的特征提取器分别对道路场景数据进行提取得到多个目标特征信息，其中，多个目标特征信息能够表征道路场景内的纵向特征；将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；基于标定结果对待标定传感器对应的外参进行更新。本公开能够提升传感器标定结果的准确性，提高无人车在大规模部署和应用中的适应性及鲁棒性。大规模部署和应用中的适应性及鲁棒性。大规模部署和应用中的适应性及鲁棒性。

【技术实现步骤摘要】
用于无人车的传感器标定方法、装置及电子设备


[0001]本公开涉及无人驾驶
，尤其涉及一种用于无人车的传感器标定方法、装置及电子设备。

技术介绍

[0002]无人驾驶车辆，也称自动驾驶车辆、无人车，随着无人驾驶技术的发展，无人车的应用场景越来越广泛。通常无人车上会安装有很多传感器，用于感知和采集环境及障碍物数据，传感器的精确标定是无人驾驶系统的感知模块能够正常工作的先决条件之一。虽然无人车在出厂前会在标定间进行初始化标定，然而在无人车的长期行驶过程中传感器的位置可能会发生轻微变化，比如因安装结构松动引起的位置变化，这种位置变化将导致无人车的初始化标定的外参失效。
[0003]现有技术中，通过将传感器聚焦在某一个固定的空间位置，基于该空间位置处的目标（如行人或者车辆）进行检测，之后根据传感器的检测结果进行匹配实现传感器的标定。但是，这种方式所优化的标定结果只对当前目标所在的空间位置生效，不能够保证标定结果在不同的空间位置同样准确，由于无法保证同一标定结果在不同空间位置的准确性，因此极大降低了无人车在大规模部署和应用中的适应性及鲁棒性。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种用于无人车的传感器标定方法、装置及电子设备，以解决现有技术存在的极大降低无人车在大规模部署和应用中的适应性及鲁棒性的问题。
[0005]本公开实施例的第一方面，提供了一种用于无人车的传感器标定方法，包括：在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出多个目标特征信息，其中，多个目标特征信息能够表征道路场景内的纵向特征；将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。
[0006]本公开实施例的第二方面，提供了一种用于无人车的传感器标定装置，包括：获取模块，被配置为在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；提取模块，被配置为利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出目标特征信息，其中，目标特征信息能够表征道路场景内的纵向特征；优化模块，被配置为将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；更新模块，被配置为基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。
[0008]本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：通过在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；利用预定的特征提取器分别对道路场景数据进行提取，以便从道路场景数据中提取出多个目标特征信息，其中，多个目标特征信息能够表征道路场景内的纵向特征；将目标特征信息作为预设的代价函数的约束条件，利用代价函数以及参数空间进行迭代优化处理，得到迭代优化处理后的标定结果；基于标定结果对待标定传感器对应的外参进行更新，以便完成对待标定传感器的标定，其中，外参用于表示待标定传感器之间的相对位置关系。本方案能够在无人车的行驶过程中，实现对传感器外参的在线标定，标定结果在不同空间位置同样准确，提高了无人车在大规模部署和应用中的适应性及鲁棒性。
附图说明
[0009]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述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公开的一些实施例，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。
[0010]图1是相关技术中基于目标的标定方法在实际场景下涉及的整体架构示意图；图2是本公开实施例提供的用于无人车的传感器标定方法的流程示意图；图3是本公开实施例提供的用于无人车的传感器标定装置的结构示意图；图4是本公开实施例提供的电子设备的结构示意图。
具体实施方式
[0011]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0012]如前述内容，对于无人车来说，对安装在无人车上的传感器（如激光雷达、相机等）进行精确标定是无人驾驶系统的感知模块能够正常工作的先决条件之一。虽然无人车在出厂前会首先在标定间进行初始化标定，然而由于无人车在长期行驶过程中，传感器的位置难免会发生轻微变化，比如因安装结构的松动使得传感器的物理位置相对初始化标定的物理位置发生了改变，导致对传感器初始化标定的外参失效，外参失效将导致无人车的自动驾驶系统无法获取精准的数据，例如无法感知障碍物在坐标系内准确的位置。
[0013]目前，现有技术中通过基于目标（如行人或者汽车）的标定方法对传感器的外参进行标定，下面结合附图对相关技术中基于目标的标定方法的场景进行说明。图1是相关技术中基于目标的标定方法在实际场景下涉及的整体架构示意图。如图1所示，该场景下的整体架构主要包括以下内容：无人车101基于一个位于固定空间位置处的目标（如图1中的行人102），利用传感器对行人102进行检测，根据传感器的检测结果对传感器之间的外参进行匹配和优化，将优
化后得到的参数作为新的标定外参。例如：无人车101采集5米外的行人102，将激光雷达的检测结果和相机的检测结果做匹配，之后再进行迭代优化得到一个参数。
[0014]可见，现有的基于目标的传感器标定方法，通过将传感器（如激光雷达和相机）聚焦在某一个固定的空间位置，对该空间位置处的目标进行检测和参数优化，这种标定方式无法覆盖不同的空间位置，因此，标定结果只对当前目标所在位置是生效的，并不能保证在不同的空间位置同样适用。比如在上述例子中，只能保证参数在5米处点的位置是正确的，但是无法保证在其他距离（比如10米或20米的空间位置处）参数同样正确和适用，因此很难保证在其他距离内，传感器的外参都具有最佳结果。
[0015]接下来对本公开实施例进行详细说明。
[0016]图2是本公开实施例提供的用于无人车的传感器标定方法的流程示意图。图2的用于无人车的传感器标定方法可以由自动驾驶系统中的电子设备执行。如图2所示，该用于无人车的传感器标定方法具体可以包括：S201，在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；S202，利用预定的特征提取器分别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于无人车的传感器标定方法，其特征在于，包括：在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据；利用预定的特征提取器分别对所述道路场景数据进行提取，以便从所述道路场景数据中提取出多个目标特征信息，其中，多个所述目标特征信息能够表征道路场景内的纵向特征；将所述目标特征信息作为预设的代价函数的约束条件，利用所述代价函数以及参数空间进行迭代优化处理，得到所述迭代优化处理后的标定结果；基于所述标定结果对所述待标定传感器对应的外参进行更新，以便完成对所述待标定传感器的标定，其中，所述外参用于表示所述待标定传感器之间的相对位置关系。2.根据权利要求1所述的方法，其特征在于，所述至少两个待标定传感器包括一个待标定相机以及一个待标定激光雷达，所述道路场景数据包括图像数据和点云数据；所述在无人车的行驶过程中，获取至少两个待标定传感器所采集到的道路场景数据，包括：在所述无人车的行驶过程中，获取所述待标定相机按照预设的时间间隔采集到的图像数据，并获取所述待标定激光雷达按照相同的所述时间间隔采集到的点云数据。3.根据权利要求2所述的方法，其特征在于，所述特征提取器包括线特征提取器，所述利用预定的特征提取器分别对所述道路场景数据进行提取，以便从所述道路场景数据中提取出多个目标特征信息，包括：在对所述图像数据中的目标特征信息进行提取时，利用DDRNet语义分割网络对所述图像数据中的目标特征进行分割，得到所述图像数据中的目标特征信息；在对所述点云数据中的目标特征信息进行提取时，利用RANSAC算法对所述点云数据中的目标特征进行分割，得到所述点云数据中的目标特征信息；其中，所述纵向特征为道路场景内与所述无人车之间能产生距离变化的特征。4.根据权利要求3所述的方法，其特征在于，所述利用RANSAC算法对所述点云数据中的目标特征进行分割，得到所述点云数据中的目标特征信息，包括：利用基于RANSAC的平面拟合算法对所述点云数据中的地面信息进行提取；根据所述待标定激光雷达对应的反射强度，将所述地面信息中高于预设阈值的反射强度所对应的信息提取出来；利用基于RANSAC的直线拟合算法去除所述提取出来的信息中的噪声点和高反射强度对象，得到所述点云数据中的目标特征信息。5.根据权利要求3所述的方法，其特征在于，所述将所述目标特征信息作为预设的代价函数的约束条件，利用所述代价函数以及参数空间进行迭代优化...

【专利技术属性】
技术研发人员：王力超，
申请(专利权)人：新石器慧通北京科技有限公司，
类型：发明
国别省市：