[发明专利]无人驾驶环境感知中相机与激光雷达标定系统及标定方法

说明书

本发明公开了一种无人驾驶环境感知中相机与激光雷达标定系统及标定方法，基于一种定制标定板的传感器系统，分别对相机和激光雷达所采集的数据进行处理，得到两传感器各自坐标下标定板上镂空圆圆心的三维坐标，再基于改进的ICP(迭代最近点)算法对两组点集进行配准，解算相机与激光雷达之间的相对位姿关系，得到标定结果。本发明提供一种无人驾驶环境感知中相机与激光雷达标定系统及算法，其通过改进的算法使得软件系统或者算法具有较强的鲁棒性，提升了标定精度，为相机与激光雷达数据融合做准备。

技术领域

本发明涉及无人驾驶领域。更具体地说，本发明涉及一种无人驾驶环境感知中相机与激光雷达标定系统及标定方法。

背景技术

在无人驾驶中，车辆必须实时的感知周围的环境，其任务包括目标检测及分类、多目标追踪、场景理解。在目标检测和场景理解领域，障碍物检测、车道线检测、行人识别、交通标志识别、红绿灯识别等是首要需要解决的任务。相机作为一种视觉传感器，已成熟应用在目标检测领域，自从2012年Alexnet卷积神经网络在图片分类问题上的突破，基于深度学习的目标检测网络如雨后春笋般涌现，RCNN、MS-CNN、YOLO、FastRCNN、DCNN等一系列2D目标检测网络相继提高了检测准确度和速度。然而，相机具有一些局限，采集的数据是RGB图像的像素阵列，没有深度信息(距离信息)，双目相机可以完成测距工作，但是算法不够成熟，其测量误差与雷达等专业测距设备差距太大。相机本身视场角也有限，摄像头受外界条件的影响也比较大，如光线的强度。激光雷达能精确的采集带有距离信息的3D点云数据，不受光照影响，并且感知距离能达到150m，但在角分辨度上远远不如相机，在复杂场景下，如小物体和远距离物体，相机可以清楚的识别目标，但激光雷达采集到的目标物体点是比较少的，难以聚类，这不利于使用点云数据实现目标检测。且容易受雨雪、沙尘、雾霾等影响。毫米波雷达受自身性能所限，无法反馈高度信息。它可以探测到物体所在的位置，但无法探测它的高度，如路边存在一个较高的指路牌，毫米波雷达能探测代此处存在障碍物，却不知道指路牌是悬挂于道路上方。

由于自动驾驶车辆在单一传感器的环境感知任务中遇到越来越大的挑战和需要实现更多的功能，多传感器融合方案受到越来越多研究人员的青睐。多传感器融合技术能解决单一传感器在自动驾驶中的局限。通过多传感器数据融合，传感器之间能取长补短，提升整个感知系统的效果。激光雷达测距具有精度高的特点，而且可以提供360度全视野的信息，由于传感器各自的特殊性，它们适合作为同一感知系统的一部分。多传感器深度融合可以实现将3D点云数据映射到图像上，即图像上的某些像素也具有了深度信息，可以帮助感知系统进行基于图像的分割或目标检测。传感器信息融合技术的基本原理与人的大脑综合处理信息的过程一样，各传感器之间进行多层次、多空间的信息互补，优化组合处理，最终产生对环境信息的一致性解释。信息融合的最终目标是基于各传感器获得的分离观测信息，通过信息多级别、多方面的组合而导出更多有效信息。传感器融合利用了多个传感器相互协同操作的优势，而且也综合处理其他信息源的数据来提高整个感知系统的智能化。多传感器联合标定是多传感器数据融合的前提，是移动机器人、无人驾驶技术等研究领域的核心问题。

专利CN202010084392.X提供了一种基于球体标定物的标定方法，通过获取图像中球心的二维坐标和点云中球心的三维坐标，构成一组相互对应的2D-3D位置数据对，再使用pnp方法求解旋转矩阵和平移向量。该方法使用一个球体，由于至少需要4对相互对应的2D-3D位置数据对，需要人为摆放标定物4次，得到4张图像数据和4帧点云数据再分别进行处理，不仅增加了工作量，还会人为引入误差，且2D-3D对应点集求解是一个PNP问题，此类问题求解的结果通常不稳定。