[发明专利]一种鲁棒的激光雷达-惯导标定方法

说明书

本发明公开了一种鲁棒的激光雷达‑惯导联合标定方法。首先对惯导和激光雷达采集的数据分别进行预处理后分别获得惯导和激光雷达的初始位姿估计结果，再进行位姿对齐，获得激光雷达与惯导之间的初始外参矩阵；接着对激光雷达采集的数据进行去畸变处理，获得去畸变后的点云，再从去畸变后的点云中提取线特征点云，基于去畸变后的点云和线特征点云分别构建面片地图和线特征地图；最后分别对去畸变后的点云与面片地图、线特征点云与线特征地图进行迭代优化配准，优化估计激光雷达与惯导之间的外参以及惯导的内参。本发明能够有效地保证激光雷达‑惯导联合标定方法的鲁棒性，在各个场景下实现高精度的参数标定，为多传感器融合的自动驾驶技术提供了基础。

技术领域

本发明涉及智能车辆的多传感器融合领域的一种激光雷达-惯导的标定方法，特别是涉及了一种鲁棒的激光雷达-惯导的标定方法。

背景技术

随着自动驾驶领域的迅速发展，多传感器融合技术成为了一大趋势。激光雷达，可以实时捕捉环境中的3D信息，具有较高的精度和视野范围，是目前自动驾驶技术的主流传感器之一。惯导可以实时获得车辆的运动信息，在短时间内具有较高的定位精度，且不易受到环境的影响，是目前自动驾驶定位模块不可缺少的组成部分。目前的自动驾驶技术，难点在于需要克服各种复杂场景下的挑战。激光雷达的强大环境感知能力和惯导在不同场景下的稳定性，形成了很好的互补，融合激光雷达和惯导的自动驾驶技术，成为了目前研究热点之一。

激光雷达与惯导的标定方法需要标定出激光雷达和惯导之间的平移旋转等外部参数以及惯导加速度计和陀螺仪漂移等内部参数。作为多传感器融合技术最基础的模块，标定方法需要具有较高的标定精度和鲁棒性。目前主流的算法，要求在特定的结构化场景下采集数据，进行离线标定，才能达到一定的标定效果，而对于日常的室内复杂环境，或是室外道路环境，都无法很好地完成标定任务。而目前的自动驾驶技术，对于标定模块的需求是，在实际的复杂场景中，实现激光雷达与惯导的在线高精度标定。这就要求激光雷达-惯导联合标定方法，能在各种复杂场景下，始终达到较高的标定精度，且整体流程具有较好的鲁棒性。因此，目前关于激光雷达与惯导的联合标定方法的研究，向着高精度、高鲁棒性的趋势进行发展。

发明内容

为了解决背景技术中存在的问题，本发明的目的在于提供一种鲁棒的激光雷达-惯导联合标定方法，适用于各种环境，如室内复杂环境、室外道路环境。

本发明在标定初始化阶段引入了激光雷达与惯导之间的平移向量和惯导的重力方向测量值，能有效减少初始化估计得到的外参矩阵出现异常值的情况。在优化阶段通过构建线特征残差项、面片残差项，来有效地提取各种环境中的结构特征，使得标定方法能在各种环境下运行。并通过双阶段的迭代优化，来不断地精细化标定参数，从而在各种场景下，都能收敛得到最优解，整体方法具有较高的鲁棒性，为后续多传感器融合的自动驾驶技术打下了基础。

本发明采用的技术方案的步骤如下：

本发明包括如下步骤：

1)对惯导和激光雷达采集的数据分别进行预处理后，分别获得惯导和激光雷达的初始位姿估计结果，再对惯导和激光雷达的位姿估计结果进行位姿对齐，获得激光雷达与惯导之间的初始外参矩阵；

2)基于惯导的初始位姿估计结果以及激光雷达与惯导之间的初始外参矩阵对激光雷达采集的数据进行去畸变处理，获得去畸变后的点云，再从去畸变后的点云中提取线特征点云，基于去畸变后的点云和线特征点云分别构建面片地图和线特征地图；

3)根据惯导的初始位姿估计结果以及激光雷达与惯导之间的初始外参矩阵分别对去畸变后的点云与面片地图、线特征点云与线特征地图进行迭代优化配准，优化估计激光雷达与惯导之间的外参以及惯导的内参。

所述步骤1)具体为：

1.1)对惯导采集的数据进行预积分处理，获得惯导的初始位姿估计结果；