激光雷达与惯性测量单元的检测方法及相关装置.pdf

《激光雷达与惯性测量单元的检测方法及相关装置.pdf》由会员分享，可在线阅读，更多相关《激光雷达与惯性测量单元的检测方法及相关装置.pdf（22页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010901406.2 (22)申请日 2020.08.31 (71)申请人 广州文远知行科技有限公司 地址 510000 广东省广州市广州中新广州 知识城九佛建设路333号自编687室 (72)发明人 杜杭肯冯荻蔡健吴涤豪 韩旭 (74)专利代理机构 北京品源专利代理有限公司 11332 代理人 孟金喆 (51)Int.Cl. G01S 17/931(2020.01) G01S 7/497(2006.01) G01C 21/16(2006.01) G01C 25/00(2。

2、006.01) (54)发明名称 一种激光雷达与惯性测量单元的检测方法 及相关装置 (57)摘要 本发明实施例公开了一种激光雷达与惯性 测量单元的检测方法及相关装置， 该方法包括： 获取激光雷达采集的第一目标点云数据、 第二目 标点云数据， 以及， 惯性测量单元检测的第一位 姿数据； 关联第一目标点云数据与第一位姿数 据， 得到激光雷达相对于惯性测量单元的俯仰角 和滚转角； 关联第二目标点云数据与第一位姿数 据， 得到激光雷达相对于惯性测量单元的偏航 角； 基于俯仰角、 滚转角和偏航角， 计算激光雷达 的第二位姿数据。 利用具有特征的点云数据获取 最优的偏航角、 滚转角和俯仰角， 避免标定检测。

3、 过程中对外部辅助装置的依赖， 减少处理点云数 据的时间损耗， 能够提高标定检测的效率。 权利要求书3页 说明书15页 附图3页 CN 112051591 A 2020.12.08 CN 112051591 A 1.一种激光雷达与惯性测量单元的检测方法， 其特征在于， 包括： 获取激光雷达采集的第一目标点云数据、 第二目标点云数据， 以及， 惯性测量单元检测 的第一位姿数据； 关联所述第一目标点云数据与所述第一位姿数据， 得到所述激光雷达相对于所述惯性 测量单元的俯仰角和滚转角； 关联所述第二目标点云数据与所述第一位姿数据， 得到所述激光雷达相对于所述惯性 测量单元的偏航角； 基于所述俯仰角、。

4、 所述滚转角和所述偏航角， 计算所述激光雷达的第二位姿数据。 2.根据权利要求1所述的方法， 其特征在于， 所述获取激光雷达采集的第一目标点云数 据、 第二目标点云数据， 还包括： 获取激光雷达采集的原始点云数据； 对所述原始点云数据进行第一聚类， 获得表示地面的原始点云数据、 作为第一目标点 云数据； 对所述原始点云数据进行第二聚类， 获得表示杆状物的原始点云数据、 作为第二目标 点云数据。 3.根据权利要求1或2所述的方法， 其特征在于， 所述关联所述第一目标点云数据与所 述第一位姿数据， 得到所述激光雷达相对于所述惯性测量单元的俯仰角和滚转角， 包括： 枚举所述激光雷达相对于所述惯性测量。

5、单元的俯仰角和滚转角， 得到第一位姿变换关 系； 基于所述第一位姿变换关系， 将所述第一目标点云数据映射至所述第一位姿数据的坐 标系下， 得到第一点云地图； 当所述第一点云地图的厚度为最小值时， 使所述俯仰角和所述滚转角生效。 4.根据权利要求1或2所述的方法， 其特征在于， 所述关联所述第二目标点云数据与所 述第一位姿数据， 得到所述激光雷达相对于所述惯性测量单元的偏航角， 包括： 枚举所述激光雷达相对于所述惯性测量单元的偏航角， 得到第二位姿变换关系； 基于所述第二位姿变换关系， 将所述第二目标点云数据映射至所述第一位姿数据的坐 标系下， 得到变换后的第二目标点云数据； 将所述变换后的第二。

6、目标点云数据投影在二维空间中， 得到所述激光雷达相对于所述 惯性测量单元的偏航角。 5.根据权利要求4所述的方法， 其特征在于， 所述将所述变换后的第二目标点云数据投 影在二维空间中， 得到所述激光雷达相对于所述惯性测量单元的偏航角， 包括： 将所述变换后的第二目标点云数据投影在二维空间中； 在所述二维空间中， 将所述变换后的第二目标点云数据拼接为网格形式的第二点云地 图； 统计所述第二点云地图在所述网格中的投影点； 当所述投影点占据所述网格的数量为最小值时， 所述偏航角生效。 6.根据权利要求1所述的方法， 其特征在于， 所述基于所述俯仰角、 所述滚转角和所述 偏航角， 计算所述激光雷达的第。

7、二位姿数据， 包括： 将所述俯仰角、 所述滚转角和所述偏航角转换为旋转矩阵； 权利要求书 1/3 页 2 CN 112051591 A 2 基于所述旋转矩阵， 计算所述激光雷达相对于所述惯性测量单元的平移量， 以所述平 移量和所述旋转矩阵的组合关系作为所述激光雷达的第二位姿数据。 7.根据权利要求1或2或6任一所述的方法， 其特征在于， 还包括： 基于所述第二位姿数据， 测量所述激光雷达与所述惯性测量单元联合标定参数的偏 差； 基于所述偏差计算所述激光雷达与所述惯性测量单元联合标定参数的质量值。 8.根据权利要求7所述的方法， 其特征在于， 所述基于所述第二位姿数据， 测量所述激 光雷达与所述。

8、惯性测量单元联合标定参数的偏差， 包括： 获取所述激光雷达与所述惯性测量单元联合标定的位姿， 作为测试位姿数据； 计算所述第二位姿数据与所述测试位姿数据之间的四元数损失值； 计算所述第二位姿数据与所述测试位姿数据之间的平移损失值； 融合所述四元数损失值与所述平移损失值， 得到所述激光雷达与所述惯性测量单元联 合标定参数的偏差。 9.根据权利要求8所述的方法， 其特征在于， 所述计算所述第二位姿数据与所述测试位 姿数据之间的四元数损失值， 包括： 将所述第二位姿数据转换为第一平移向量和第一四元数； 将所述测试位姿数据转换为第二平移向量和第二四元数； 获取所述第一四元数与第二四元数之间的差值的绝对。

9、值； 获取所述第一四元数与第二四元数之间的和值的绝对值； 计算所述差值的绝对值与所述和值的绝对值之间的最小值， 以所述最小值与预设的第 一权值的乘积作为四元数损失值； 所述计算所述第二位姿数据与所述测试位姿数据之间的平移损失值， 包括： 获取所述第一平移向量与所述第二平移向量之间的平移偏差， 以所述平移偏差与预设 的第二权值的乘积作为平移损失值。 10.根据权利要求9所述的方法， 其特征在于， 所述基于所述偏差计算所述激光雷达与 所述惯性测量单元联合标定参数的质量值， 包括： 以负相关的关系将所述偏差映射为所述激光雷达与所述惯性测量单元联合标定参数 的质量值， 所述质量值的增长速度与所述偏差的。

10、下降速度负相关。 11.一种激光雷达与惯性测量单元的检测装置， 其特征在于， 包括： 数据获取模块， 用于获取激光雷达采集的第一目标点云数据、 第二目标点云数据， 以 及， 惯性测量单元检测的第一位姿数据； 第一角度获取模块， 用于关联所述第一目标点云数据与所述第一位姿数据， 得到所述 激光雷达相对于所述惯性测量单元的俯仰角和滚转角； 第二角度获取模块， 用于关联所述第二目标点云数据与所述第一位姿数据， 得到所述 激光雷达相对于所述惯性测量单元的偏航角； 位姿计算模块， 用于基于所述俯仰角、 所述滚转角和所述偏航角， 计算所述激光雷达的 第二位姿数据。 12.一种计算机设备， 其特征在于， 所。

11、述计算机设备包括： 一个或多个处理器； 权利要求书 2/3 页 3 CN 112051591 A 3 存储器， 用于存储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理器实 现如权利要求1-10中任一所述的激光雷达与惯性测量单元的检测方法。 13.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储计算机程 序， 所述计算机程序被处理器执行时实现如权利要求1-10中任一所述的激光雷达与惯性测 量单元的检测方法。 权利要求书 3/3 页 4 CN 112051591 A 4 一种激光雷达与惯性测量单元的检测方法及相关装置 技术领域 000。

12、1 本发明实施例涉及自动驾驶技术， 尤其涉及一种激光雷达与惯性测量单元的检测 方法及相关装置。 背景技术 0002 随 着无人驾驶技术的发展 ， 车载激光雷达和惯性测量单元 (Inertial Measurement Unit， IMU)作为车载自动驾驶系统中常用的传感器， 用于检测信息进行融合、 感知、 规划、 决策、 控制等等。 0003 在车载自动驾驶系统运转过程中， 各传感器往往会由于各种原因(如碰撞、 硬件拆 装、 长期颠簸行驶等等)而造成不可避免的位移， 相对原有位置发生变化， 从而使得原来的 标定参数失效。 因此， 对标定参数进行定期检测就成为了关键一环。 0004 对激光雷达的。

13、标定， 一般是标定激光雷达与惯性测量单元的相对位姿。 现有的激 光雷达标定检测技术有： (1)采用手工物理测量， 即通过使用量测工具实际物理测量激光雷 达到其他传感器之间的相对位置， 此方法精度差， 效率低， 无法实现自动化的标定检测； (2) 采用特殊设计的标定装置的方式， 比如标定杆等， 此方法依赖特殊外部设备， 且大多要在特 定场地内进行， 通用性较差， 不利于检测方法的泛用与扩展。 发明内容 0005 本发明提供一种激光雷达与惯性测量单元的检测方法及相关装置， 以解决对激光 雷达与惯性测量单元联合标定参数的检测效率低下、 且检测方法通用性较差的问题。 0006 第一方面， 本发明实施例。

14、提供了一种激光雷达与惯性测量单元的检测方法， 包括： 0007 获取激光雷达采集的第一目标点云数据、 第二目标点云数据， 以及， 惯性测量单元 检测的第一位姿数据； 0008 关联所述第一目标点云数据与所述第一位姿数据， 得到所述激光雷达相对于所述 惯性测量单元的俯仰角和滚转角； 0009 关联所述第二目标点云数据与所述第一位姿数据， 得到所述激光雷达相对于所述 惯性测量单元的偏航角； 0010 基于所述俯仰角、 所述滚转角和所述偏航角， 计算所述激光雷达的第二位姿数据。 0011 第二方面， 本发明实施例还提供了一种激光雷达与惯性测量单元的检测装置， 该 装置包括： 0012 数据获取模块，。

15、 用于获取激光雷达采集的第一目标点云数据、 第二目标点云数据， 以及， 惯性测量单元检测的第一位姿数据； 0013 第一角度获取模块， 用于关联所述第一目标点云数据与所述第一位姿数据， 得到 所述激光雷达相对于所述惯性测量单元的俯仰角和滚转角； 0014 第二角度获取模块， 用于关联所述第二目标点云数据与所述第一位姿数据， 得到 所述激光雷达相对于所述惯性测量单元的偏航角； 说明书 1/15 页 5 CN 112051591 A 5 0015 位姿计算模块， 用于基于所述俯仰角、 所述滚转角和所述偏航角， 计算所述激光雷 达的第二位姿数据。 0016 第三方面， 本发明实施例还提供了一种计算机。

16、设备， 所述计算机设备包括： 0017 一个或多个处理器； 0018 存储器， 用于存储一个或多个程序， 0019 当所述一个或多个程序被所述一个或多个处理器执行， 使得所述一个或多个处理 器实现如第一方面所述的激光雷达与惯性测量单元的检测方法。 0020 第四方面， 本发明实施例还提供了一种计算机可读存储介质， 其上存储有计算机 程序， 该计算机程序被处理器执行时实现如第一方面所述的激光雷达与惯性测量单元的检 测方法。 0021 本发明通过获取激光雷达采集的第一目标点云数据、 第二目标点云数据， 以及， 惯 性测量单元检测的第一位姿数据； 关联第一目标点云数据与第一位姿数据， 得到激光雷达 。

17、相对于惯性测量单元的俯仰角和滚转角； 关联第二目标点云数据与第一位姿数据， 得到激 光雷达相对于惯性测量单元的偏航角； 基于俯仰角、 滚转角和偏航角， 计算激光雷达的第二 位姿数据。 通过聚类和特征提取获得表示地面的第一目标点云数据、 表示杆状物的第二目 标点云数据， 避免标定检测过程中对外部辅助装置的依赖， 减少处理大量点云数据的时间 损耗， 将第一目标点云数据、 第二目标点云数据与第一位姿数据进行关联， 基于点云数据与 位姿数据的转换关系， 得到激光雷达相对于惯性测量单元的姿态角， 并根据预设的优化条 件， 从多个姿态角中筛选出最优的俯仰角、 滚转角和偏航角， 可以得到激光雷达相对于惯性 。

18、测量单元的第二位姿数据， 计算过程简单， 占用内存较少， 可实现对激光雷达与惯性测量单 元联合标定参数的自动化检测， 提高了检测的效率。 附图说明 0022 图1为本发明实施例提供的无人驾驶车辆的结构示意图； 0023 图2为本发明实施例一提供的一种激光雷达与惯性测量单元的检测方法的流程 图； 0024 图3是本发明实施例二提供的一种激光雷达与惯性测量单元的检测方法的流程 图； 0025 图4为本发明实施例三提供的一种激光雷达与惯性测量单元的检测装置的结构示 意图； 0026 图5为本发明实施例四提供的一种计算机设备的结构示意图。 具体实施方式 0027 下面结合附图和实施例对本发明作进一步的。

19、详细说明。 可以理解的是， 此处所描 述的具体实施例仅仅用于解释本发明， 而非对本发明的限定。 另外还需要说明的是， 为了便 于描述， 附图中仅示出了与本发明相关的部分而非全部结构。 0028 获取传感器间的相对位姿(包括相对位置和朝向)的过程即是各个传感器联合标 定的过程。 通过标定即可将所有传感器信息统一到同一个坐标系下做处理， 从而对车辆基 于环境的多传感器检测信息进行融合、 感知、 规划、 决策、 控制等等。 说明书 2/15 页 6 CN 112051591 A 6 0029 激光雷达因其高分辨率、 360度全方位、 三维立体环境感知的能力， 在整个车载自 动驾驶系统中发挥着重要的作。

20、用。 0030 启动车载自动驾驶系统之前， 为了融合安装在车辆上的激光雷达与惯性测量单元 之间的测量值， 需要提前获取激光雷达与惯性测量单元联合标定的位姿， 作为测试位姿数 据(即待检测的标定参数)， 在车辆的行驶过程中， 基于本发明实施例的检测方法和检测装 置可以对该测试位姿数据进行检测， 即判定激光雷达与惯性测量单元联合标定参数是否准 确。 0031 参见图1， 示出了可以应用本发明实施例中激光雷达与惯性测量单元的检测方法、 激光雷达与惯性测量单元的检测装置的实施例的无人驾驶车辆100。 0032 如图1所示， 无人驾驶车辆100可以包括驾驶控制设备101， 车身总线102， ECU (E。

21、lectronic Control Unit， 电子控制单元)103、 ECU 104、 ECU 105， 传感器106、 传感器 107、 传感器108和执行器件109、 执行器件110、 执行器件111。 0033 驾驶控制设备(又称为车载大脑)101负责整个无人驾驶车辆100的总体智能控制。 驾驶控制设备101可以是单独设置的控制器， 例如可编程逻辑控制器(Programmable LogicController， PLC)、 单片机、 工业控制机等； 也可以是由其他具有输入/输出端口， 并具 有运算控制功能的电子器件组成的设备； 还可以是安装有车辆驾驶控制类应用的计算机设 备。 驾驶控。

22、制设备可以对从车身总线102上接收到的各个ECU发来的数据和/或各个传感器 发来的数据进行分析处理， 作出相应的决策， 并将决策对应的指令发送到车身总线。 0034 车身总线102可以是用于连接驾驶控制设备101， ECU 103、 ECU 104、 ECU 105， 传感 器106、 传感器107、 传感器108以及无人驾驶车辆100的其他未示出的设备的总线。 由于CAN (Controller AreaNetwork， 控制器局域网络)总线的高性能和可靠性已被广泛认同， 因此 目前机动车中常用的车身总线为CAN总线。 当然， 可以理解的是车身总线也可以是其他类型 的总线。 0035 车身总。

23、线102可以将驾驶控制设备101发出的指令发送给ECU 103、 ECU 104、 ECU 105， ECU 103、 ECU 104、 ECU 105再将上述指令进行分析处理后发给相应的执行器件执行。 0036 传感器106、 传感器107、 传感器108包括但不限于激光雷达、 相机、 惯性测量单元、 毫米波雷达， 等等。 0037 激光雷达作为无人驾驶领域常用的传感器， 是一种使用激光对物体进行探测和测 距的设备， 其传感器内部具有一种旋转结构， 能够每秒钟向环境发送数百万光脉冲， 输出点 云数据。 0038 相机一般用于对无人驾驶车辆的周边环境拍摄图片， 记录车辆行驶的场景。 0039 。

24、惯性测量单元(Inertial Measurement Unit， IMU)是测量物体三轴姿态角(或角 速率)以及加速度的装置， 能提供车辆在世界坐标系下的精确坐标。 一般的， 一个惯性测量 单元包含了三个单轴的加速度计和三个单轴的陀螺仪， 加速度计也叫重力感应器， 用于检 测物体在载体坐标系统独立三轴的加速度信号， 即通过测量组件在某个轴向的受力情况来 得到轴向上的加速度大小和方向； 而陀螺仪也叫地感器， 用于检测载体相对于导航坐标系 的角速度信号， 测量物体在三维空间中的角速度和加速度， 并以此解算出物体的姿态角， 姿 态角包括航向角、 俯仰角和横滚角。 有些惯性测量单元中还会集成有磁力计。

25、， 磁力计也叫地 磁、 磁感器， 可用于测试磁场强度和方向， 定位设备的方位。 说明书 3/15 页 7 CN 112051591 A 7 0040 毫米波雷达(Radio detecting and ranging， Radar)是指工作在毫米波波段探测 的雷达， 通常毫米波是指长度在110mm的电磁波， 对应的频率范围为30300GHz。 毫米波 雷达可以实现对目标位置、 速度等信息的精确测量， 且具有全天时、 全天候、 低成本、 低功 耗、 长寿命的特点。 毫米波雷达能分辨识别很小的目标， 而且能同时识别多个目标。 毫米波 雷达的原理是把电磁波(毫米波)发射出去， 然后接收回波， 根据收。

26、发的时间差测得目标的 位置数据和相对距离。 根据电磁波的传播速度， 可以确定目标的距离公式为： sc*t/2， 其 中s为目标距离， t为电磁波从雷达发射出去到接收到目标回波的时间， c为光速。 毫米波雷 达的基本任务是发射电磁波对目标进行照射并接收其回波， 由此获得目标至电磁波发射点 的探测距离、 方向、 速度等状态参数。 毫米波雷达被广泛地应用在自适应巡航控制(ACC)、 前 向防撞报警(FCW)、 盲点检测(BSD)、 辅助停车(PA)、 辅助变道(LCA)等车辆驾驶辅助系统中。 0041 需要说明的是， 本发明实施例所提供的激光雷达与惯性测量单元的检测方法可以 由驾驶控制设备101执行。

27、， 相应地， 激光雷达与惯性测量单元的检测装置一般设置于驾驶控 制设备101中。 0042 应该理解， 图1中的无人驾驶车辆、 驾驶控制设备、 车身总线、 ECU、 执行器件和传感 器的数目仅仅是示意性的。 根据实现需要， 可以具有任意数目的无人驾驶车辆、 驾驶控制设 备、 车身总线、 ECU和传感器。 0043 实施例一 0044 图2为本发明实施例一提供的一种激光雷达与惯性测量单元的检测方法的流程 图， 本实施例可适用于对激光雷达与惯性测量单元进行联合标定、 以及对激光雷达在惯性 测量单元下的标定参数进行检测的情况， 该方法可以由激光雷达与惯性测量单元的检测装 置来执行， 该检测装置可以由。

28、软件和/或硬件实现， 可配置在计算机设备中， 例如， 无人驾驶 车辆、 机器人、 无人飞行器等无人设备， 以及， 服务器、 个人电脑等计算设备， 等等， 该方法具 体包括如下步骤： 0045 S101、 获取激光雷达采集的第一目标点云数据、 第二目标点云数据， 以及， 惯性测 量单元检测的第一位姿数据。 0046 在本实施例中， 激光雷达和惯性测量单元作为车载传感器， 可以安装在车辆的任 意位置， 当车辆行驶时， 激光雷达和惯性测量单元会对车辆的周围环境进行信息检测， 以获 取点云数据和第一位姿数据。 0047 其中， 点云数据是激光雷达信号照射到地理环境中物体表面时， 物体所反射的携 带方位。

29、、 距离等信息的反射信号， 点云数据中可以包括多个点的位置信息和与其对应的反 射激光雷达信号的强度信息。 0048 在本实施例中， 第一目标点云数据和第二目标点云数据都是点云数据， 为了便于 区分， 第一目标点云数据用于表示地面， 第二目标点云数据用于表示杆状物。 杆状物即较高 而鸟瞰图半径比较小的物体， 适用于泛化的场景， 提取的杆状物多为车辆行驶环境中的树 干、 电线杆、 石柱等物体， 因为表示杆状物的点云数据的特征比较明显， 且在过滤表示地面 的点云数据后， 在三维空间里与表示其他物体的点云数据是分离开的， 易通过过滤方法提 取得到， 一方面了减少计算量， 不用把激光雷达扫描到的点云数据。

30、都进行后续的优化处理， 另一方面， 可以在点云数据中减少表示远处的树叶点的点云数据， 消除无规则、 难以处理、 针对移动的物体难以做移动补偿等噪声的影响。 说明书 4/15 页 8 CN 112051591 A 8 0049 具体的， 可以通过密度聚类、 特征提取、 基于多规则的几何计算等方式， 从激光雷 达采集到的点云数据中提取表示地面的点云数据， 作为第一目标点云数据， 从激光雷达采 集到的点云数据中提取表示杆状物的点云数据， 作为第二目标点云数据。 本发明实施例对 第一目标点云数据、 第二目标点云数据的获取方式不作限定。 0050 在本实施例中， 惯性测量单元通过对在车辆行驶的过程中采集。

31、得到的姿态角(或 角速率)以及加速度进行积分解算， 检测得到车辆在整个行驶过程中在世界坐标系下的位 姿数据， 该位姿数据包括车辆在世界坐标系下的位置坐标和姿态角(航向角、 俯仰角、 横滚 角)， 将位置坐标与姿态角的融合数据作为惯性测量单元检测的第一位姿数据。 0051 由于激光雷达和惯性测量单元的工作频率不同， 加上数据处理、 网络传输存在延 迟等问题， 激光雷达检测的点云数据与惯性测量单元检测的第一位姿数据之间存在数据不 同步的问题。 因此， 需要对点云数据和第一位姿数据进行数据同步。 0052 激光雷达采集的点云数据和惯性测量单元检测的第一位姿数据通常是以帧为单 位计量的， 分别得到的是。

32、点云数据帧序列和位姿数据帧序列， 即激光雷达获取到的是多帧 点云数据， 每一帧点云数据标记有一个采集当前帧时、 当前时刻的时间戳， 惯性测量单元获 取到的也是多帧第一位姿数据， 每一帧第一位姿数据也标记有一个采集当前帧时、 当前时 刻的时间戳， 其中， 每一帧点云数据中包含多个测量点在以激光雷达为中心的坐标系下的 三维空间位置信息， 每一帧第一位姿数据中包含当前时刻下车辆在世界坐标系下的三维空 间位置信息。 0053 在本实施例中， 可以采用帧间同步的方法对点云数据和第一位姿数据进行数据同 步。 惯性测量单元的数据帧的频率一般比激光雷达的数据帧要高得多， 所以帧间同步采用 以激光雷达的数据帧为。

33、基准的时间序列匹配方式。 0054 示例性的， 将激光雷达的数据帧序列与惯性测量单元的数据帧序列各自按照时间 戳从小到大排序； 对激光雷达的每一帧点云数据， 在时间轴上搜索与之最接近的惯性测量 单元的一帧第一位姿数据； 遍历所有激光雷达的数据帧， 为每一帧点云数据找到与之对应 的一帧第一位姿数据， 从而完成多帧点云数据与多帧第一位姿数据之间的数据同步。 0055 其中， 由于第一目标点云数据、 第二目标点云数据都是激光雷达采集到的点云数 据， 将多帧点云数据与多帧第一位姿数据进行数据同步后， 第一目标点云数据会匹配到与 其同步的第一位姿数据， 第二目标点云数据也会匹配到与其同步的第一位姿数据。。

34、 0056 S102、 关联第一目标点云数据与第一位姿数据， 得到激光雷达相对于惯性测量单 元的俯仰角和滚转角。 0057 一般定义载体的右、 前、 上三个方向构成右手系， 绕向前的轴旋转就是滚转角， 绕 向右的轴旋转就是俯仰角， 绕向上的轴旋转就是偏航角， 对于载体来说， 滚转角、 俯仰角和 偏航角都被称为姿态角。 0058 在本实施例中， 获取多帧第一目标点云数据与其匹配的多帧第一位姿数据， 将每 一帧第一目标点云数据转换到第一位姿数据的坐标系下， 基于每一帧数据的位置转换关 系， 得到每一帧数据下激光雷达相对于惯性测量单元的姿态角， 根据预设的优化条件， 从获 得的多帧姿态角中选取有效的。

35、俯仰角和滚转角， 作为激光雷达相对于惯性测量单元的俯仰 角和滚转角。 0059 S103、 关联第二目标点云数据与第一位姿数据， 得到激光雷达相对于惯性测量单 说明书 5/15 页 9 CN 112051591 A 9 元的偏航角。 0060 在本实施例中， 获取多帧第二目标点云数据与其匹配的多帧第一位姿数据， 并结 合有效的俯仰角和滚转角的旋转变换关系， 将每一帧第二目标点云数据转换到第一位姿数 据的坐标系下， 基于每一帧数据的位置转换关系， 得到每一帧数据下激光雷达相对于惯性 测量单元的姿态角， 根据预设的优化条件， 从获得的多帧姿态角中筛选出有效的偏航角， 作 为激光雷达相对于惯性测量单。

36、元的偏航角。 0061 S104、 基于俯仰角、 滚转角和偏航角， 计算激光雷达的第二位姿数据。 0062 在本实施例中， 基于获得的有效的俯仰角、 滚转角和偏航角， 将这些姿态角组合构 建旋转矩阵， 以旋转矩阵和第一位姿数据作为初始条件， 采用点云配准算法对激光雷达采 集到的多帧点云数据(包括第一目标点云数据、 第二目标点云数据)进行配准， 得到两两帧 点云数据之间的位姿变换关系， 对该位姿变换关系求取最优解， 得到激光雷达相对于惯性 测量单元的第二位姿数据。 0063 其中， 点云配准是指将两帧点云数据变换到相同的坐标系下， 以求取一个两帧点 云数据之间的相对位姿变换， 该相对位姿变换通常。

37、用位姿变换矩阵来表示。 点云配准算法 可以是基于迭代就近点(Iterative Closest Point， ICP)算法或者正态分布变换(Normal Distributions Transform， NDT)算法， 本发明对此不作限定。 0064 利用第二位姿数据可以测量激光雷达与惯性测量单元联合标定参数的偏差， 根据 偏差的大小， 可以获得对激光雷达与惯性测量单元联合标定参数的检测结果。 0065 本发明实施例通过获取激光雷达采集的第一目标点云数据、 第二目标点云数据， 以及， 惯性测量单元检测的第一位姿数据； 关联第一目标点云数据与第一位姿数据， 得到激 光雷达相对于惯性测量单元的俯仰。

38、角和滚转角； 关联第二目标点云数据与第一位姿数据， 得到激光雷达相对于惯性测量单元的偏航角； 基于俯仰角、 滚转角和偏航角， 计算激光雷达 的第二位姿数据。 通过聚类和特征提取获得表示地面的第一目标点云数据、 表示杆状物的 第二目标点云数据， 避免标定检测过程中对外部辅助装置的依赖， 减少处理大量点云数据 的时间损耗， 将第一目标点云数据、 第二目标点云数据与第一位姿数据进行关联， 基于点云 数据与位姿数据的转换关系， 得到激光雷达相对于惯性测量单元的姿态角， 并根据预设的 优化条件， 从多个姿态角中筛选出最优的俯仰角、 滚转角和偏航角， 可以得到激光雷达相对 于惯性测量单元的第二位姿数据， 。

39、计算过程简单， 占用内存较少， 可实现对激光雷达与惯性 测量单元联合标定参数的自动化检测， 缩减了检测的时间， 提高了检测的效率。 0066 实施例二 0067 图3为本发明实施例二提供的一种激光雷达与惯性测量单元的检测方法的流程 图， 本实施例以前述实施例为基础， 对激光雷达与惯性测量单元的检测方法进行了内容的 补充和细化， 该方法具体包括如下步骤： 0068 S201、 获取激光雷达采集的原始点云数据。 0069 在本实施例中， 可以从离线地图库中获取激光雷达采集的原始点云数据， 也可以 通过现场数据采集获取激光雷达采集的原始点云数据。 0070 因为原始点云数据密度不规则、 遮挡等问题，。

40、 原始点云数据存在离群点、 数据量 大、 噪声等问题， 需要对原始点云数据进行过滤操作。 例如， 可以采用多帧等间距采样的方 法对原始点云数据进行过滤， 以得到多帧有效的原始点云数据， 再计算采样后每一帧原始 说明书 6/15 页 10 CN 112051591 A 10 点云数据中每个点与其邻域范围内的k个点的平均距离， 由于原始点云数据中所有点的距 离一般遵循高斯分布， 基于给定的均值与方差， 可将原始点云数据中不满足高斯分布的离 群点剔除。 本发明实施例对原始点云数据进行过滤操作不作限定， 例如， 还可以通过条件滤 波、 统计滤波、 高度值滤波等方式对原始点云数据进行过滤。 0071 S。

41、202、 对原始点云数据进行第一聚类， 获得表示地面的原始点云数据、 作为第一目 标点云数据。 0072 在本实施例中， 基于密度和距离对过滤后的原始点云数据进行第一聚类， 获得表 示地面的原始点云数据、 作为第一目标点云数据。 0073 具体的， 设定半径阈值为r1和点云密度阈值为k1， 对原始点云数据按照距离和密度 进行聚类， 形成多个簇， 每个簇为一个点集， 每个簇的点密度为k1， 点与点之间的距离小于 等于半径阈值r1， 通过主成分分析算法(Principal Component Analysis， PCA)计算每个簇 的特征值， 得到表示地面点云的法向量， 设定角度阈值 ， 通过余弦。

42、公式， 过滤法向量与向量 夹角大于等于 的簇。 对过滤后的簇采用随机一致性采样算法(Random Sample Consensus， Ransac)， 得到新的表示地面点云的法向量， 再设定更小的半径阈值r2与点云密度阈值k2， 通 过同样的聚类和PCA方法， 筛选与通过Ransac算法得到的新的表示地面点云的法向量小于 等于 的簇， 剩下的簇的集合即为第一目标点云数据。 0074 从过滤后的原始点云数据中进一步提取出表示地面的原始点云数据、 作为第一目 标点云数据， 能够进一步剔除一些无效点， 对点云数据进行优化， 减少计算量。 0075 S203、 对原始点云数据进行第二聚类， 获得表示杆。

43、状物的原始点云数据、 作为第二 目标点云数据。 0076 在本实施例中， 基于密度和距离对过滤后的原始点云数据进行第二聚类， 获得表 示杆状物的原始点云数据、 作为第二目标点云数据。 0077 具体的， 设定半径阈值为r3和点云密度阈值为k3， 对原始点云数据按照距离和密度 进行聚类， 形成多个簇， 每个簇为一个点集， 每个簇的点密度大于等于k3， 点与点之间的距 离小于等于半径阈值r3。 对于每一个簇， 将点云数据根据每个点的高度值z的大小进行排 序， 设置分辨率s， 按照分辨率s将簇中的每个点按照高度值z的大小从小到大， 放到多个层 中， 每一层的点云数据的厚度为分辨率s， 对每一层的点云。

44、数据基于距离再次聚类， 剔除离 群点， 保留直径小于预设的阈值的簇作为第二目标点云数据。 0078 从过滤后的原始点云数据中进一步提取出表示杆状物的原始点云数据、 作为第二 目标点云数据， 有利于后续对点云数据进行优化处理， 能够进一步剔除一些无效点， 降低计 算量， 减少耗时。 0079 S204、 枚举激光雷达相对于惯性测量单元的俯仰角和滚转角， 得到第一位姿变换 关系。 0080 枚举是指列出某些有穷序列集中所有元素的操作。 0081 在本实施例中， 可以将第一位姿数据作为初值， 采用点云配准算法(例如正态分布 算法)对多帧第一目标点云数据进行两两帧点云数据的配准， 获得多帧第一目标点云。

45、数据 之间在世界坐标系下的相对位姿(相当于获得激光雷达相对于惯性测量单元联合标定的初 始位姿数据， 即标定参数)， 从而得到激光雷达相对于惯性测量单元的多个俯仰角和多个滚 转角， 确定俯仰角与滚转角一一配对的取值范围， 即该取值范围中的每一组俯仰角与滚转 说明书 7/15 页 11 CN 112051591 A 11 角都是出自同一帧位姿数据。 0082 按照预设的选取条件， 在取值范围中， 针对每一组俯仰角和滚转角， 计算得到一个 位姿变换矩阵、 作为第一位姿变换关系， 枚举所有的俯仰角和滚转角， 得到多个位姿变换矩 阵。 0083 S205、 基于第一位姿变换关系， 将第一目标点云数据映射。

46、至第一位姿数据的坐标 系下， 得到第一点云地图。 0084 在本实施例中， 将与第一位姿变换关系所对应的位姿变换矩阵、 与时间同步的惯 性测量单元的第一位姿数据结合， 得到每一帧第一目标点云数据到世界坐标系的位姿变换 矩阵， 每一帧第一目标点云数据经过该位姿变换矩阵， 旋转变换到同一个世界坐标系(即第 一位姿数据的坐标系)， 对所有帧第一目标点云数据均映射至同一个世界坐标系下， 将世界 坐标系下的所有帧第一目标点云数据拼接为第一点云地图。 0085 S206、 当第一点云地图的厚度为最小值时， 使俯仰角和滚转角生效。 0086 当标定参数的俯仰角和滚转角正确时， 每一帧激光雷达坐标系下的点云数。

47、据经过 旋转平移(计算中的表现形式是乘以位姿变换矩阵)变换到世界坐标系下， 拼接而成的第一 点云地图的厚度是相对比较低的， 若标定参数的俯仰角和滚转角不正确时， 表示地面的点 云数据(即第一目标点云数据)会散开， 厚度变大， 因此， 可以预设一个评分函数， 以枚举激 光雷达相对于惯性测量单元联合标定参数的俯仰角和滚转角、 使得第一点云地图的厚度最 低为优化目标， 得到最优的俯仰角和滚转角。 0087 在本实施例中， 使用三分算法枚举俯仰角和滚转角， 将枚举俯仰角和滚转角第n次 搜索对应获得的第一点云地图记为Cn， 如下公式所示： 0088 0089 其中， cloudi为第i帧在世界坐标系下的。

48、第一目标点云数据， ( j, k)为枚举的俯仰 角和滚转角， T( j, k)为与第一位姿变换关系所对应的位姿变换矩阵，为惯性测量单 元的第i帧第一位姿数据。 0090 预设的评分函数为凸函数， 记为S， 当第一点云地图的厚度为最小值时， 使俯仰角 和滚转角生效， 如下公式所示： 0091 S(Cn)minH3i-H1i 0092 其中,3i为第一点云地图中高度处于3/4处的点的高度值， H1i为第一点云地图中高 度处于1/4处的点的高度值。 0093 本实施例选取三分算法可以加快对俯仰角和滚转角的搜索速度， 把第一点云地图 中的点云数据按照高度值升序排序， 过滤高度最高和最低各1/4的点云数。

49、据， 可以消除大量 的噪声， 将剩余的点的极值作为第一点云地图的厚度的衡量指标， 可以过滤部分表示地面 的点云厚度的极值， 获得更准确的俯仰角和滚转角。 0094 S207、 枚举激光雷达相对于惯性测量单元的偏航角， 得到第二位姿变换关系。 0095 在本实施例中， 可以将第一位姿数据作为初值， 采用点云配准算法(例如正态分布 算法)对多帧第二目标点云数据进行两两帧点云数据的配准， 获得多帧第二目标点云数据 之间在世界坐标系下的相对位姿(相当于获得激光雷达相对于惯性测量单元联合标定的初 说明书 8/15 页 12 CN 112051591 A 12 始位姿数据， 即标定参数)， 从而得到激光雷。

50、达相对于惯性测量单元的多个偏航角， 确定偏 航角的取值范围。 0096 按照预设的选取条件(例如设定一个搜索范围和搜索精度)， 在偏航角的取值范围 中， 根据已生效的俯仰角和滚转角枚举偏航角， 计算得到多个位姿变换矩阵， 以位姿变换矩 阵作为第二位姿变换关系的表达形式。 0097 S208、 基于第二位姿变换关系， 将第二目标点云数据映射至第一位姿数据的坐标 系下， 得到变换后的第二目标点云数据。 0098 在本实施例中， 将与第二位姿变换关系所对应的位姿变换矩阵、 与时间同步的惯 性测量单元的第一位姿数据结合， 得到每一帧第二目标点云数据到世界坐标系的位姿变换 矩阵， 每一帧第二目标点云数据。