[发明专利]一种自动驾驶传感器联合标定靶和标定方法

权利要求书

1.一种自动驾驶传感器联合标定靶，其特征在于：包括承载板(1)，承载板(1)上呈并排分布有若干用于反射毫米波雷达(303)信号的角反射器(2)，同时角反射器(2)易被激光雷达(302)和可见光相机(301)捕获，承载板(1)的表面涂抹有用于吸收毫米波的涂层。

2.一种自动驾驶传感器联合标定方法，其特征在于：包括以下步骤：

以权利要求1所述的联合标定靶为目标，通过数据采集模块(3)进行数据采集，其中数据采集模块(3)包括可见光相机(301)、激光雷达(302)和毫米波雷达(303)；

使用数据预处理模块(4)对采集到的数据进行数据预处理；

使用标定求解模块(5)对预处理后的数据进行联合标定求解，以得到联合标定结果。

3.如权利要求2所述的一种自动驾驶传感器联合标定方法，其特征在于：所述数据预处理模块(4)对采集到的数据进行数据预处理包括以下步骤：

可见光图像预处理(401)，处理可见光图像数据；

激光雷达点云预处理(402)，处理激光雷达(302)点云数据；

毫米波雷达数据预处理(403)，处理毫米波雷达(303)数据。

4.如权利要求3所述的一种自动驾驶传感器联合标定方法，其特征在于：所述可见光图像预处理(401)包括以下子步骤：

图像去畸变(4011)，针对可见光图像的径向畸变，进行畸变矫正；

图像降噪与增强(4012)，运行降噪算法对图像进行降噪增强处理；

标定靶可见光关键点提取(4013)，通过寻找角反射器(2)中心三线段交点提取可见光图像中的特征点。

5.如权利要求4所述的一种自动驾驶传感器联合标定方法，其特征在于：所述图像去畸变(4011)包括：

建立表征畸变的数学模型：其中(u,v)和(u′,v′)分别是无畸变和有畸变情况下场景在图像中的归一坐标位置，f(r)是的函数，选择f(r)＝1+k₁r²+k₂r⁴+k₃r⁶并对参数估计来恢复畸变，其中r为图像上的一点到图像光轴正中心点的距离，k为模型各阶的系数。

6.如权利要求3所述的一种自动驾驶传感器联合标定方法，其特征在于：所述激光雷达点云预处理(402)包括以下子步骤：

点云去畸变(4021)，去除激光雷达(302)的运动畸变；

点云滤波(4022)，采用双边滤波平滑三维个点；

标定靶点云关键点提取(4023)，在角反射器(2)内部区域提取曲率最大的点作为特征点。

7.如权利要求6所述的一种自动驾驶传感器联合标定方法，其特征在于：所述点云去畸变(4021)包括：

为各激光雷达(302)的激光束射出位置估计出一个对应的激光雷达(302)姿态，将其表示为激光雷达(302)的局部坐标系；

将每帧后续扫描到的激光点在当前激光雷达(302)的局部坐标系的坐标，变换到该帧初始时刻的激光雷达(302)局部坐标系中的坐标。

8.如权利要求3所述的一种自动驾驶传感器联合标定方法，其特征在于：所述毫米波雷达数据预处理(403)包括以下子步骤：

数据滤波(4031)，采用区域剪裁的方法滤除非标定靶区域的雷达回波；

标定靶雷达数据关键点提取(4032)，标定靶区域的角反射器(2)位置即雷达回波最强的位置，以此作为特征点。

9.如权利要求2所述的一种自动驾驶传感器联合标定方法，其特征在于：所述标定求解模块(5)包括以下步骤：

对各个模态提取的特征点进行置信度分析；

结合置信度高的模态中关键点位置，联立更新各个模态所有关键点位置，实现关键点位置精准化；

基于加权最小二乘的各模态关键点关系求解，求解出各模态之间变换误差的总和最小的矩阵作为标定的结果。

10.如权利要求9所述的一种自动驾驶传感器联合标定方法，其特征在于：所述基于加权最小二乘的各模态关键点关系求解，求解出各模态之间变换误差的总和最小的矩阵作为标定的结果包括：

对各个模态中所有对应的关键点，同一点在激光雷达(302)数据点云的坐标(x,y,z)到可见光图像的点(u,v)满足如下关系：

其中，为从激光雷达(302)坐标系到可见光相机(301)坐标系的变换，R为旋转量，t为平移量，M为相乘合并后的系数矩阵，为相机坐标系中点到二维图像的投影变换，f_u、f_v为相机内参的作用系数，u₀、v₀为相机外参的作用系数，标定过程是对矩阵和估计的过程；

毫米波雷达(303)数据和可见光图像中对应点的变换关系建模为：

其中x_Ra＝r sinα，y_Ra＝r cosα，r和α对应毫米波雷达(303)输出的目标点半径和方位角，H_RaR为毫米波雷达转换到激光雷达的变换矩阵；

标定过程是对矩阵进行估计的过程，基于加权最小二乘的各模态关键点关系求解，同时考虑矩阵和求解出使两两模态的变换误差的总和最小的矩阵作为联合标定的结果。