【技术实现步骤摘要】
本专利技术涉及路侧设备标定，具体而言，涉及一种基于智能椎桶的路侧激光雷达标定验证方法。
技术介绍
1、我国智能网联汽车正式进入到城市级规模化推广、探索新型商业模式的新阶段。目前对于重点路口通常采用激光雷达加相机的感知方式，由于缺乏便捷的标定验证手段，往往在项目验收时反应出因为标定不准导致的感知数据质量差的问题。
2、现有技术中，路侧感知系统的标定验证通常为以下三种：一是在高精地图上选点，该方法依赖高精地图，提高了标定门槛，不具有普适性；二是利用rtk或全站仪，采集静态目标特征点坐标，该方法会消耗较多人力且耗时；三是通过安装有组合惯导的真值车采集轨迹数据，该方法对真值车自身的组合惯导标定有较高要求，无法在线验证，需按照一定的可区分轨迹驾驶，且由于交通法规限制，不方便做静止目标的误差验证。
3、锥桶作为最常见的交通安全设施，具有体积小、可移动性强等特点，并不会对交通通行造成阻碍，因此可以长时间摆放在测试区域内进行标定验证工作。基于此，本专利技术设计了一种基于智能锥桶的路侧激光雷达在线标定验证方法，可基于智能锥桶上传的定位信息与激光雷达传感器数据，实时输出当前传感器标定误差，而且可以利用多个智能锥桶进行路侧激光雷达标定参数的计算，同时还可以作为监测路侧感知数据的设施。
技术实现思路
1、本专利技术提供一种基于智能椎桶的路侧激光雷达标定验证方法，用以克服现有技术中存在的至少一个技术问题。
2、本专利技术实施例提供一种基于智能椎桶的路侧激光雷达标定验证方法
3、采集智能锥桶定位数据和路侧感知系统数据；所述智能锥桶定位数据包括所述智能锥桶的空间定位坐标和姿态定位信息，所述路侧感知系统数据包括点云数据和路侧感知数据，所述路侧感知数据至少包括所述智能锥桶的感知数据；
4、根据所述智能锥桶的空间定位坐标和姿态定位信息获取所述智能锥桶的3d模型；
5、根据所述点云数据识别所述智能锥桶的3d点云；
6、设计点云配准算法；
7、利用所述点云配准算法对所述智能锥桶的3d模型和3d点云进行点云配准，得到所述路侧激光雷达的标定参数；
8、根据配准结果计算标定精度指标；所述标定精度指标至少包括位置精度、姿态精度；
9、设定距离阈值和方向阈值；
10、计算所述路侧感知数据和所述智能锥桶定位数据之间的距离差和方向差；
11、根据所述距离阈值和所述距离差，计算得到距离激活值；
12、根据所述方向阈值和所述方向差，计算得到方向激活值；
13、根据所述距离激活值和所述方向激活值，计算得到对应的匹配得分；
14、根据所述匹配得分，获取所述智能锥桶的感知数据；
15、根据所述智能锥桶的感知数据、及所述智能锥桶的空间定位坐标和姿态定位信息，计算得到所述路侧感知数据的精度指标。
16、可选地，所述点云配准算法包括点云配准公式和约束条件；其中，
17、所述点云配准公式表示为pi表示所述3d点云中的第i个点，qi表示3d模型中的对应点，r表示旋转矩阵，r包括滚转角α、俯仰角β和偏航角γ，t表示平移向量，n表示点的数量；wi表示第i个点云的权重系数；
18、所述约束条件包括姿态变化角约束和收敛条件约束；
19、所述姿态变化角约束表示为αmin≤α≤αmax、βmin≤β≤βmax、γmin≤γ≤γmax；其中，αmax、αmin分别表示滚转角变化的上下限，βmax、βmin分别表示俯仰角变化的上下限，γmax、γmin分别表示偏航角变化的上下限；
20、所述收敛条件约束包括动态约束和静态约束，所述动态约束表示为∈dynamic＝∈0+α·v，其中，∈0表示静态场景下的基础误差阈值，α表示根据场景动态变化调整的权重因子，v表示锥桶的运动速度，∈dynamic表示收敛误差阈值；所述静态约束表示为perror<∈position，rerror<∈rotation；其中，perror表示位置误差阈值，∈position表示位置误差阈值，ti,current表示第i个点云此次迭代的平移向量，ti,previous表示第i个点云上一次迭代的平移向量，rerror表示姿态误差阈值，rerror＝|rcurrent-rprevious|，∈rotation表示姿态误差阈值，rcurrent表示此次迭代的旋转矩阵，rprevious表示上一次迭代的旋转矩阵。
21、可选地，点云的权重系数wi包括多尺度误差加权权重或传感器融合权重；
22、所述多尺度误差加权权重指的是点云的权重系数wi随着点云数的减少而缩小；
23、所述传感器融合权重指的是路侧感知系统采集到的点云数据的权重wvision与智能锥桶定位数据的权重wimu之和，表示为wi＝wvision+wimu。
24、可选地，利用所述点云配准算法对所述智能锥桶的3d模型和3d点云进行点云配准，具体为：
25、判断所述智能锥桶是否为静止状态，若是，基于所述姿态变化角约束和所述静态约束，利用所述点云配准公式，对所述智能锥桶的3d模型和3d点云进行点云配准，并在配准过程中踢除异常点；若否，基于所述姿态变化角约束和所述动态约束，利用所述点云配准公式，对所述智能锥桶的3d模型和3d点云进行点云配准，并在配准过程中踢除异常点。
26、可选地，在配准过程中踢除异常点，具体为：
27、设置异常阈值dthreshold；
28、根据点云配准公式计算点云配准误差；
29、判断所述点云配准误差是否大于所述异常阈值，若是，则表示对应的点云为异常点，剔除点云；若否，则表示对应的点云为正常点，保留点云。
30、可选地，所述距离激活值表示为其中，dt表示距离激活值，δd表示距离阈值，di表示第i次检测得到的所述路侧感知数据和所述智能锥桶定位数据之间的距离差，n表示检测次数，λd表示距离转换因子。
31、可选地，所述方向激活值表示为其中，ht表示方向激活值，δh表示方向阈值，hi表示第i次检测得到的所述路侧感知数据和所述智能锥桶定位数据之间的方向差，n表示检测次数，λh表示方向转换因子。
32、可选地，所述匹配得分表示为其中，m表示匹配得分，s(·)表示sigmoid激活函数。
33、可选地，根据所述匹配得分，获取所述智能锥桶的感知数据，具体为：
34、判断所述匹配得分是否大于匹配阈值，若大于，则表示匹配成功，对应的所述路侧感知数据是所述智能锥桶的感知数据；若小于等于，则表示匹配不成功，对应的所述路侧感知数据不是所述智能锥桶的感知数据。
35、可选地，所述智能锥桶的感知数据包括所述智能锥桶的感知坐标和感知姿态；所述精度指标至少包括位置误差和姿态误差；
36、根据所述智能锥桶的感知数据、及所述智能锥桶的空间定位坐标和姿态定位信本文档来自技高网...
【技术保护点】
1.一种基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，包括：
2.根据权利要求1所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，所述点云配准算法包括点云配准公式和约束条件；其中，
3.根据权利要求2所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，点云的权重系数wi包括多尺度误差加权权重或传感器融合权重；
4.根据权利要求3所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，利用所述点云配准算法对所述智能锥桶的3D模型和3D点云进行点云配准，具体为：
5.根据权利要求4所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，在配准过程中踢除异常点，具体为：
6.根据权利要求1所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，所述距离激活值表示为其中，Dt表示距离激活值，δd表示距离阈值，di表示第i次检测得到的所述路侧感知数据和所述智能锥桶定位数据之间的距离差，n表示检测次数，λd表示距离转换因子。
7.根据权利要求6所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征
8.根据权利要求7所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，所述匹配得分表示为其中，M表示匹配得分，S(·)表示Sigmoid激活函数。
9.根据权利要求1所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，根据所述匹配得分，获取所述智能锥桶的感知数据，具体为：
10.根据权利要求1所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，所述智能锥桶的感知数据包括所述智能锥桶的感知坐标和感知姿态；所述精度指标至少包括位置误差和姿态误差；
...【技术特征摘要】
1.一种基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，包括：
2.根据权利要求1所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，所述点云配准算法包括点云配准公式和约束条件；其中，
3.根据权利要求2所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，点云的权重系数wi包括多尺度误差加权权重或传感器融合权重；
4.根据权利要求3所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，利用所述点云配准算法对所述智能锥桶的3d模型和3d点云进行点云配准，具体为：
5.根据权利要求4所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，在配准过程中踢除异常点，具体为：
6.根据权利要求1所述的基于智能椎桶的路侧激光雷达标定验证方法，其特征在于，所述距离激活值表示为其中，dt表示距离激活值，δd表示距离阈值，di表示第i次检测得到的所述路侧感知数据和所...
【专利技术属性】
技术研发人员：何林锋，肖存乐，钱佳楠，李家文，
申请(专利权)人：清华大学苏州汽车研究院吴江，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。