[发明专利]激光雷达标定方法、装置和存储介质

说明书

本发明公开了激光雷达标定方法，包括点云预处理：雷达Lsubgt;2/subgt;扫描的点云Psubgt;2/subgt;经矩阵Hsubgt;0/subgt;变换为Psubgt;2/subgt;＇；提取Psubgt;2/subgt;＇和雷达Lsubgt;1/subgt;扫描到的点云Psubgt;1/subgt;的重叠点云Osubgt;1/subgt;与Osubgt;2/subgt;；对Osubgt;1/subgt;和Osubgt;2/subgt;采样得到采样后的重叠点云Osubgt;1/subgt;＇和Osubgt;2/subgt;＇。还包括点云匹配：找到Osubgt;1/subgt;＇中每个点在Osubgt;2/subgt;＇中的最近点，凑成点对；对点对加权，并丢弃点对间距离的绝对值超过阈值λ的点对；设总误差函数为所有点对间的欧式距离之和，求解Osubgt;1/subgt;＇到Osubgt;2/subgt;＇的位姿变换信息Hsubgt;k/subgt;，Hsubgt;k/subgt;能使总误差函数最小。若当前Hsubgt;k/subgt;和上一次点云匹配求解的Hsubgt;k‑1/subgt;的差在一定范围内，输出Hsubgt;k/subgt;为结果，否则再进行一次点云匹配。本发明的标定方法能进行2D激光雷达和3D激光雷达的标定，保证获取高精度标定结果的前提下，提高标定速度和标定的鲁棒性。

技术领域

本发明涉及雷达标定领域，具体为激光雷达标定方法、装置和存储介质。

背景技术

新能源汽车和无人机的兴起使同步定位和建图(SLAM)成为一个重要研究议题。而传感器激光雷达在SLAM过程中扮演了一个重要角色。目前激光雷达主要分为两大类：360°机械旋转的激光雷达具有更好的探测效果，但成本极高，并且不耐用容易损坏。固态激光雷达成本较低，但视场(FoV)较小。因此，目前行业内的常见方案是将多个固态激光雷达组合在一起，以实现与360°旋转激光雷达一样的对周围环境的良好观测。

激光雷达在制造出厂后就会存在误差。此外在实际应用中，传感器在安装和测量过程中也会存在人工误差。这些误差的累积将导致组合点云无法闭合。显然，原始点云不能反映真实情况，这会影响SLAM中定位和建图部分的精度。因此，我们期望通过预标定激光雷达获得更一致更符合现实情况的点云。

大多数市面上使用的激光雷达标定方法基于标定具有较大重叠FoV的点云，通常点云FoV重合在65％以上才可以完成标定。而固态激光雷达仅有5％-15％的小范围重叠，在这种情况下，如果仍使用传统的标定方法带来的效果非常差或是根本无法计算出结果。

在文献《PREDATOR:Registration of 3D Point Clouds with Low Overlap》(《PREDATOR:低重叠3D点云的配准》)中提出了一种低重叠点云匹配模型。但是此模型不适合移动机器人。该模型使用深度学习，因此对硬件要求很高。移动机器人需要控制成本来具备量产可能。在文献《Extrinsic Calibration of Multiple LiDARs of Small FoV inTargetless Environments》(《无目标环境中多个小型FoV激光雷达的外部校准》)则提供了一种无需标定参照物的标定方法，通过将机器人小车沿自身中心旋转360°来解决低重叠FoV问题。但提出的方法仍然需要LOAM(Lidar Odometry and Mapping激光雷达测距和测绘一种激光雷达建图算法)来提供初始位姿变换信息，而LOAM不支持2D激光雷达。

发明内容

为克服上述背景技术中大多数市面上使用的激光雷达标定方法基于配准具有较大重叠FoV的点云，通常点云FoV重合在65％以上才可以完成校准，而固态激光雷达仅有10％-25％的小范围重叠。在这种情况下，如果仍使用传统的标定方法带来的效果非常差的缺点，本发明的目的在于提供一种。

为了达到以上目的，本发明采用如下的技术方案：

本发明的第一方面，提供激光雷达标定方法，包括点云预处理和点云匹配，

所述点云预处理包括如下步骤：