多线激光雷达与GNSS_INS联合标定方法、系统及介质技术方案

本发明专利技术公开了一种多线激光雷达与GNSS_INS联合标定方法、系统及介质，其中方法包括：获取车辆在富含特征的道路中行驶一圈后的激光点云数据和GNSS_INS数据；计算激光雷达位姿并进行图优化，构建面、线特征点云地图；对面特征点云地图进行体素网格划分并拟合平面；对线特征点云地图进行欧式聚类并拟合直线；对每个激光点将其与所属的平面或直线进行关联筛选；基于图优化之前数据构建手眼标定问题，求解外部标定参数初始值；基于该初始值把筛选出点云进行坐标转换；建立点到直线及点到平面的特征约束，把外部标定参数作为待求解量，构建最小二乘问题求解。可以实现在不需要外部标致物的情况下自动标定外部标定参数，精度高。精度高。精度高。

【技术实现步骤摘要】
多线激光雷达与GNSS_INS联合标定方法、系统及介质


[0001]本专利技术涉及无人驾驶
，尤其涉及一种多线激光雷达与GNSS_INS联合标定方法、系统及介质。

技术介绍

[0002]现阶段，激光雷达和GNSS_INS是无人驾驶系统中重要的传感器，激光雷达和GNSS_INS的数据进行融合能够提供精准的车辆位姿信息，但多传感器数据融合的前提是需要精确的传感器间外参标定值，因此需要传感器间进行外参的标定。
[0003]现有的激光雷达和GNSS_INS系统的标定一般分为两种方法，基于运动的标定方法和基于外部传感器的标定方法。1)基于传感器运动的标定方法，一般根据激光雷达和GNSS_INS的运动信息构建手眼标定方程，通过初始标定值和激光雷达与GNSS_INS的相对位姿来减小雷达点云数据畸变，并进一步标定传感器间的外部参数。但手眼标定方程是相对位姿的求解方式，其对旋转有较好的初始解，对平移求解精度较差。而且仅依靠手眼标定方法对运动进行标定，求得的结果并不能满足传感器间数据融合的需求。2)基于外部传感器的标定方法，一般此外部传感器为“与GNSS_INS标定参数已知的激光雷达”，通过对激光雷达的数据进行匹配得到两激光雷达间的相对位姿变换关系，再通过此位姿关系和已知的标定参数，得到待标定激光雷达与GNSS_INS系统的外部参数。但是此方法依赖外置的激光雷达，对外置传感器的精度依赖较大。
[0004]专利文件CN112904317A公布了一种多激光雷达与GNSS_INS系统标定方法，将车辆分别进行匀速转角行驶、从坡道驶入水平地面、在匀速坡道八字绕行，获取GNSS_INS在不同时刻的位姿关系，根据初始位姿参数计算激光雷达在相应时刻的精确位姿关系，得到主激光雷达相对GNSS_INS坐标系的精确位姿变换参数T。
[0005]此方法为解耦的标定方法，需要车辆分别在三种不同的场景下进行标定实验，标定流程繁多不易实现标定流程的自动化和轻量化。而且在标定翻滚角和俯仰角度时，其要求车辆所在的坡道的坡度大于或等于特定角度以提供充分地激励，在实际场景中，满足此坡度要求，且GNSS信号良好，激光雷达扫描物充足的环境是较为稀少的。
[0006]专利文件CN112147599A公布一种基于样条函数的连续时间上3D激光雷达和惯性传感器外参标定方法，首先基于已知环境地图，对标定数据中的3D激光点云进行预处理，然后将高频率惯性传感器的运动轨迹用样条函数建模为连续轨迹，并基于样条函数得到任意时刻惯性传感器的位姿，引入3D激光雷达和惯性传感器之间的外参，约束激光点，构建优化问题进行求解。
[0007]该方法将设备设在墙角前后左右上下各个角度充分运动、旋转，激励惯性传感器的每一轴，得到标定的数据，该方法需要传感器间有充足的运动激励以保证运行的精度。并且此方法需要环境已事先建模为高精度点云地图，需要较为精确的激光里程计。此方法将每一帧激光点云与环境地图匹配，判断每个点与拟合平面的所属关系，其只用到了平面特征，在室外环境中平面特征较少不易提取。

技术实现思路

[0008]针对上述现有技术的不足之处，本专利技术的目的是提供一种多线激光雷达与GNSS_INS联合标定方法、系统及介质，通过激光里程计构建全局激光点云地图，然后进行图优化，并构建面特征地图和线特征地图。把每一帧的点云分别与面特征地图和线特征地图进行关联，构建最小二乘问题对激光雷达与GNSS_INS外部参数进行求解，以实现提高室外环境下激光雷达与GNSS_INS外部标定参数求解的精度与鲁棒性。
[0009]为了实现上述目的，本专利技术采用如下技术方案。
[0010]第一方面，提供了一种多线激光雷达与GNSS_INS联合标定方法，包括：
[0011]S1：获取车辆在富含特征的道路中行驶一圈后采集的激光点云数据和GNSS_INS数据；
[0012]S2：通过激光里程计计算激光雷达的位姿；
[0013]S3：对激光雷达的位姿进行图优化，并构建面特征点云地图和线特征点云地图；
[0014]S4：对面特征点云地图进行体素网格划分，在每一体素网格内筛选符合面特征的点云并分别进行平面拟合；对线特征点云地图进行欧式聚类分割，在每一聚类内筛选符合线特征的点云并分别进行直线拟合；对每一帧激光点云数据中的每个激光点将其与所属的平面或直线进行关联，筛选出面特征点云和线特征点云；
[0015]S5：基于图优化之前激光雷达的位姿数据和GNSS_INS数据构建手眼标定问题，求解激光雷达与GNSS_INS系统间外部标定参数的初始值；
[0016]S6：通过外部标定参数的初始值和GNSS_INS数据，把每一帧激光点云数据中筛选出的面特征点云和线特征点云转换到地图坐标系下；
[0017]S7：对筛选出的面特征点云计算其与所属平面的距离，对筛选出的线特征点云计算其与所属直线的距离，建立两种距离的特征约束，把外部标定参数作为待求解量，构建最小二乘问题，求解优化的外部标定参数。
[0018]进一步地，步骤S7之后还包括：
[0019]S8：通过优化的外部标定参数，用GNSS_INS数据对每一帧激光点云数据进行畸变去除，并返回至步骤S2，迭代优化求解，得到最终的外部标定参数。
[0020]进一步地，所述步骤S3包括：
[0021]根据激光雷达的位姿检测回环，构建激光雷达的位姿图优化问题以对激光雷达的位姿进行优化；
[0022]对多线激光雷达中的每一条线束计算其各激光点在邻域范围内的曲率；若曲率大于曲率阈值，则该激光点为线特征点，若曲率小于曲率阈值，则该激光点为面特征点；
[0023]将每一帧激光点云数据中的线特征点和面特征点转换到地图坐标系下，构建得到线特征点云地图和面特征点云地图。
[0024]进一步地，所述对面特征点云地图进行体素网格划分，在每一体素网格内筛选符合面特征的点云并分别进行平面拟合，包括：
[0025]根据预设体素网格尺寸将面特征点云地图进行体素网格划分；
[0026]计算每个体素网格内点云的协方差矩阵，然后对协方差矩阵进行特征值分解，根据协方差矩阵的三个特征值计算平面度参数；
[0027]取平面度参数大于预设平面度阈值的体素网格为面特征体素网格，并在每个面特
征体素网格内采用随机抽样一致性算法拟合平面。
[0028]进一步地，所述对线特征点云地图进行欧式聚类分割，在每一聚类内筛选符合线特征的点云并分别进行直线拟合，包括：
[0029]对线特征点云地图进行欧式聚类，将线特征点云地图划分为不同的聚类；
[0030]计算每一聚类内点云的协方差矩阵，并对协方差矩阵进行特征值分解，求得从小到大的三个特征值，计算直线度参数；
[0031]取直线度参数大于预设直线度阈值的聚类为线特征点云聚类，并在每个线特征点云聚类内采用随机抽样一致性算法拟合直线。
[0032]进一步地，所述对每一帧激光点云数据中的每个激光点将其与所属的平面或直线进行关联，筛选本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多线激光雷达与GNSS_INS联合标定方法，其特征在于，包括：S1：获取车辆在富含特征的道路中行驶一圈后采集的激光点云数据和GNSS_INS数据；S2：通过激光里程计计算激光雷达的位姿；S3：对激光雷达的位姿进行图优化，并构建面特征点云地图和线特征点云地图；S4：对面特征点云地图进行体素网格划分，在每一体素网格内筛选符合面特征的点云并分别进行平面拟合；对线特征点云地图进行欧式聚类分割，在每一聚类内筛选符合线特征的点云并分别进行直线拟合；对每一帧激光点云数据中的每个激光点将其与所属的平面或直线进行关联，筛选出面特征点云和线特征点云；S5：基于图优化之前激光雷达的位姿数据和GNSS_INS数据构建手眼标定问题，求解激光雷达与GNSS_INS系统间外部标定参数的初始值；S6：通过外部标定参数的初始值和GNSS_INS数据，把每一帧激光点云数据中筛选出的面特征点云和线特征点云转换到地图坐标系下；S7：对筛选出的面特征点云计算其与所属平面的距离，对筛选出的线特征点云计算其与所属直线的距离，建立两种距离的特征约束，把外部标定参数作为待求解量，构建最小二乘问题，求解优化的外部标定参数。2.根据权利要求1所述的多线激光雷达与GNSS_INS联合标定方法，其特征在于，步骤S7之后还包括：S8：通过优化的外部标定参数，用GNSS_INS数据对每一帧激光点云数据进行畸变去除，并返回至步骤S2，迭代优化求解，得到最终的外部标定参数。3.根据权利要求1所述的多线激光雷达与GNSS_INS联合标定方法，其特征在于，所述步骤S3包括：根据激光雷达的位姿检测回环，构建激光雷达的位姿图优化问题以对激光雷达的位姿进行优化；对多线激光雷达中的每一条线束计算其各激光点在邻域范围内的曲率；若曲率大于曲率阈值，则该激光点为线特征点，若曲率小于曲率阈值，则该激光点为面特征点；将每一帧激光点云数据中的线特征点和面特征点转换到地图坐标系下，构建得到线特征点云地图和面特征点云地图。4.根据权利要求1所述的多线激光雷达与GNSS_INS联合标定方法，其特征在于，所述对面特征点云地图进行体素网格划分，在每一体素网格内筛选符合面特征的点云并分别进行平面拟合，包括：根据预设体素网格尺寸将面特征点云地图进行体素网格划分；计算每个体素网格内点云的协方差矩阵，然后对协方差矩阵进行特征值分解，根据点云协方差矩阵的三个特征值计算平面度参数；取平面度参数大于预设平面度阈值的体素网格为面特征体素网格，并在每个面特征体素网格内采用随机抽样一致性算法拟合平面。5.根据权利要求1所述的多线激光雷达与GNSS_INS联合标定方法，其特征在于，所述对线特征点云地图进行欧式聚类分割，在每一聚类内筛选符合线特征的点云并分别进行直线拟合，包括：对线特征点云地图进行欧式聚类，将线特征点云地图划分为不同的聚类；
计算每一聚类内点云的协方差矩阵，并对协方差矩阵进行特征值分解，求得从小到大的三个特征值，计算直线度参数；取直线度参数大于预设直线度阈值的聚类为线特征点云聚类，并在每个线特征点云聚类内采用随机抽样一致性算法拟合直线。6.根据权利要求1所述的多线激光雷达与GNSS_INS联合标定方法，其特征在于，所述对每一帧激光点云数据中的每个激光点将其与所属的平面或直线进行关联，筛选出面特征点云和线特征点云，包括：通过点云中的极值坐标计算每个可拟合平面的体素网格以及每个可拟合直线的聚类的最小包围盒；遍历面特征点云地图和线特征点云地图中每个激光点并判断其与各最小包围盒的所属关系；对于线特征点云地图中每个激光点，...

【专利技术属性】
技术研发人员：周云水，刘硕，周怀瑾，秦晓辉，秦洪懋，徐彪，边有钢，秦兆博，胡满江，王晓伟，谢国涛，丁荣军，
申请(专利权)人：湖南大学，
类型：发明
国别省市：