[发明专利]一种激光雷达与视觉联合标定方法

说明书

本发明实施例涉及一种激光雷达与视觉联合标定方法，包括点云与图像同步数据对自动采集、外参自动联合标定和外参标定效果校验三个环节，采用多层的最优化联合标定外参计算方法，在无需搭建特定标定场景的情况下，实现准确、快速、高度一致性的激光雷达与视觉的联合标定，且对于不同线束激光雷达和视觉的联合标定均有一致性较好的标定结果。

技术领域

本发明涉及图像数据处理领域，尤其涉及一种激光雷达与视觉联合标定方法。

背景技术

无人驾驶汽车凭借不同类型的传感器设备来感知周围的环境信息，每种传感器都有自己的感知能力和感知边界，为了能够尽可能充分地理解周边环境，目前无人驾驶的感知方案一般采用多传感器融合的方式来扩充其感知能力和边界。激光雷达和相机(视觉传感器)是最常见的感知传感器之一。其中，激光雷达能够精准地检测目标的距离、方位信息，并且受环境光照条件影响很小，在夜间也能正常工作。不过，受限于传感器性能和输出点云密度，激光雷达的类别分辨能力较为一般。相机能够采集环境中的光学信息并将其转化为图像，能够保留丰富的颜色信息和纹理细节，可以相对准确地检测特定障碍物并判断其类别。不过，由于对环境光照条件要求较高，相机一般无法在夜间工作。

因此，通过融合激光雷达和相机两种传感器的信息，互相取长补短，可以大幅提高无人车的感知性能。而在进行传感器数据融合之前，一个重要的工作就是对两个传感器之间的位姿关系进行精准地标定。只有准确的传感器外参标定结果，才能确保后续的传感器数据融合工作可以顺利地进行。

激光雷达与视觉联合标定的现有方案主要分为两类：基于特定目标的标定和无需特定目标的标定。

通常基于特定目标的标定方案依赖于激光雷达和视觉均能检测到的匹配目标，由于对目标和检测环境有一定要求，这种标定方案一般需要在预先搭建好的特定环境中进行。这种方案通过激光雷达与视觉对相同特定目标的检测，提取多组匹配的特征点对，通过数学方法即可解算出两个传感器之间的相对位姿。这类方法的标定精度取决于匹配点对的检测精度，由于可以采用人工选点的方式来选择匹配点对，因此标定结果可以达到一个较高的精度。而结果的一致性好坏则取决于算法对匹配点对的选择精度，或是人工选点时不同人的选择差异。这种方法的缺陷在于每次标定之前需要搭建合适的标定环境，并且标定过程较为繁琐，标定结果会受到标定人员操作熟练度或主观意识的影响。

第二类无需特定目标的标定方案不需要特定的标定场景，且多为在线自动化的标定。这类方法需要一个相对准确的初始位姿预测作为算法输入，以减少算法陷入局部最优的概率。另外，不同的标定场景可能会对算法结果产生一定影响，因此，需要对标定环境做出一些必要的限制。此外，由于激光雷达点云分布往往是稀疏的、离散的，高线束(点云更密集)的激光雷达和相机的外参标定结果明显优于低线束(点云更稀疏)的标定结果。

由此，对于配置了激光雷达和视觉传感器的无人驾驶车辆，由于传感器移动或损坏等原因，往往需要多次就地重新标定。而基于特定目标的标定方案往往需要搭建标定环境，并且需要经过训练的专业技术人员进行支持，过程比较繁琐，且标定结果会受到标定人员主观意识的影响。第二类无需特定目标的标定方案更适合于量产化的无人驾驶车辆产品中，但目前也存在一些限制其直接在产品中使用的缺陷：对激光雷达线数要求较高(一般要求不少于32线)、标定结果受环境影响导致一致性较差、自动化程度较低以及标定结果不准确。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种激光雷达与视觉联合标定方法，是针对无人驾驶车辆上的激光雷达和视觉联合标定任务提出的一种全自动的标定方法。该方法不依赖于人工搭建的标定环境或特定标志物，对于高(不小于64线)、中(大于16线，小于64线)、低(不大于16线)不同线束激光雷达和视觉的联合标定均有一致性较好的标定结果，且整个标定过程只需要车辆处于行驶状态，同步后的点云和图像数据会作为后续的联合标定过程的输入，本发明采用多层的最优化联合标定外参计算方法，兼顾结果的准确性和运行效率的最优，在可接受的运算时间之内，保证了标定参数输出结果具有良好的一致性和准确性，并且能够大幅提高低线数雷达的标定效果。