基于3D激光雷达的车辆位姿定位方法及系统.pdf

《基于3D激光雷达的车辆位姿定位方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于3D激光雷达的车辆位姿定位方法及系统.pdf（8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 201910206464.0 (22)申请日 2019.03.19 (71)申请人 同济大学 地址 200092 上海市杨浦区四平路1239号 (72)发明人 瞿三清陈凯许仲聪陈广 卢凡董金虎 (74)专利代理机构 上海科盛知识产权代理有限 公司 31225 代理人 赵继明 (51)Int.Cl. G01S 17/89(2006.01) G01S 17/87(2006.01) G01S 7/48(2006.01) (54)发明名称 一种基于3D激光雷达的车辆位姿定位方法 及系统 。

2、(57)摘要 本发明涉及一种基于3D激光雷达的车辆位 姿定位方法及系统， 该系统由3D激光雷达、 单目 摄像头、 车型判别模块、 云端点云数据库、 点云数 据匹配模块所组成， 所配套的定位方法为： 首先 利用单目摄像头获取当前目标车辆的特征图像 信息， 利用3D激光雷达采集当前车辆的特征点云 数据； 然后结合深度学习CNN卷积神经网络车型 判别模块对目标车辆的车型进行判别； 根据CNN 卷积神经网络的判别结果， 从云端数据库调取对 应车型的点云数据， 然后利用迭代最近点算法 (IterativeClosestPoint， ICP)对所采集的目 标车辆特征点云数据与云端点云数据进行匹配 获取目标。

3、车辆的刚体旋转矩阵与位移向量； 最后 依据刚体旋转矩阵与位移向量获取目标车辆的 位姿信息， 本发明具有高鲁棒性和高准确性的优 点。 权利要求书1页 说明书4页 附图2页 CN 110082779 A 2019.08.02 CN 110082779 A 1.一种基于3D激光雷达的车辆位姿定位方法， 其特征在于， 包括以下步骤： 步骤1： 分别利用3D激光雷达和单目摄像头获取目标车辆的特征点云数据和特征图像 数据； 步骤2： 利用车型判别模块对目标车辆的车型进行判别； 步骤3： 根据车型判别结果从云端点云数据库调取对应车型的特征点云数据； 步骤4： 对采集的特征点云数据与云端点云数据进行匹配， 获。

4、取采集的特征点云数据相 对于云端点云数据的刚体旋转矩阵和平移向量； 步骤5： 根据刚体旋转矩阵和平移向量得出车辆位姿信息定位结果。 2.根据权利要求1所述的一种基于3D激光雷达的车辆位姿定位方法， 其特征在于， 所述 的步骤1中的3D激光雷达设置于泊车机器人上或泊车中转区正对目标车辆的指定位置处。 3.根据权利要求1所述的一种基于3D激光雷达的车辆位姿定位方法， 其特征在于， 所述 的步骤1中的单目摄像头设置于泊车机器人上或泊车中转区正对目标车辆的指定位置处。 4.根据权利要求1所述的一种基于3D激光雷达的车辆位姿定位方法， 其特征在于， 所述 步骤2中的车辆车型检测模块采用经深度学习卷积神经。

5、网络训练所得的车辆车型检测模 块， 所述深度学习卷积神经网络的输入为所述特征图像数据， 其输出为车型判别结果。 5.根据权利要求1所述的一种基于3D激光雷达的车辆位姿定位方法， 其特征在于， 所述 步骤4采用迭代最近点算法获取采集的特征点云数据相对于云端点云数据的刚体旋转矩阵 和平移向量。 6.根据权利要求5所述的一种基于3D激光雷达的车辆位姿定位方法， 其特征在于， 所述 迭代最近点算法对应的目标优化函数为： 式中， pi为所采集的特征点云数据， pi为云端点云数据库中对应的点云数据， R为刚体 旋转矩阵， t为平移向量。 7.一种采用如权利要求16中任意一项所述的基于3D激光雷达的车辆位姿。

6、定位方法 的系统， 其特征在于， 该系统由3D激光雷达、 单目摄像头、 车型判别模块、 云端点云数据库和 点云数据匹配模块组成。 权利要求书 1/1 页 2 CN 110082779 A 2 一种基于3D激光雷达的车辆位姿定位方法及系统 技术领域 0001 本发明涉及智能泊车中的车辆定位技术领域， 尤其是涉及一种基于3D激光雷达的 车辆位姿定位方法及系统。 背景技术 0002 在智能泊车技术领域中， 对目标车辆的位姿信息的精准检测是实现泊车机器人对 目标车辆进行精准对位的关键任务之一。 由于激光雷达能够不随环境变化， 对目标车辆采 集出丰富而精准的点云数据， 激光雷达已经成为在智能泊车领域中最。

7、为重要的车辆检测与 定位的传感器。 0003 目前， 在智能泊车技术领域中， 对目标车辆的位姿定位， 还主要依托于特定的辅助 搬运装置。 通过对辅助装置的上特定位置点的定位来间接实现目标车辆的定位。 这就要求 车主必须将车辆停放在指定装置上， 降低了泊车的体验。 一定程度上制约了智能泊车技术 的推广与发展。 发明内容 0004 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于3D激光雷 达的车辆位姿定位方法及系统。 0005 本发明的目的可以通过以下技术方案来实现： 0006 一种基于3D激光雷达的车辆位姿定位方法， 包括以下步骤： 0007 步骤1： 分别利用3D激光雷达和单目摄。

8、像头获取目标车辆的特征点云数据和特征 图像数据； 0008 步骤2： 利用车型判别模块对目标车辆的车型进行判别； 0009 步骤3： 根据车型判别结果从云端点云数据库调取对应车型的特征点云数据； 0010 步骤4： 对采集的特征点云数据与云端点云数据进行匹配， 获取采集的特征点云数 据相对于云端点云数据的刚体旋转矩阵和平移向量； 0011 步骤5： 根据刚体旋转矩阵和平移向量得出车辆位姿信息定位结果。 0012 进一步地， 所述的步骤1中的3D激光雷达设置于泊车机器人上或泊车中转区正对 目标车辆的指定位置处。 0013 进一步地， 所述的步骤1中的单目摄像头设置于泊车机器人上或泊车中转区正对 。

9、目标车辆的指定位置处。 0014 进一步地， 所述步骤2中的车辆车型检测模块采用经深度学习卷积神经网络训练 所得的车辆车型检测模块， 所述深度学习卷积神经网络的输入为所述特征图像数据， 其输 出为车型判别结果。 0015 进一步地， 所述步骤4采用迭代最近点算法获取采集的特征点云数据相对于云端 点云数据的刚体旋转矩阵和平移向量。 0016 进一步地， 所述迭代最近点算法对应的目标优化函数为： 说明书 1/4 页 3 CN 110082779 A 3 0017 0018 式中， pi为所采集的特征点云数据， pi为云端点云数据库中对应的点云数据， R为 刚体旋转矩阵， t为平移向量。 0019 。

10、本发明还提供一种采用所述基于3D激光雷达的车辆位姿定位方法的系统， 该系统 由3D激光雷达、 单目摄像头、 车型判别模块、 云端点云数据库和点云数据匹配模块组成。 0020 与现有技术相比， 本发明具有以下优点： 0021 第一.因为多线激光雷达能够在各种复杂的工况下采集准确的目标车辆点云数 据， 同时辅以具有较高的鲁棒性的检测算法， 因此， 本发明的车辆位姿定位方法具有很高的 稳健性， 在复杂工况下也能够保证检测结果的相对准确性。 0022 第二.本发明所提出的目标车辆位姿定位方法与系统， 不需要额外的辅助定位装 置， 不需要车主将车辆停放至狭小的指定区域， 能够提高车主在使用智能泊车系统时。

11、的停 车体验， 同时利于智能泊车技术的推广。 0023 第三.本发明所提出的目标车辆位姿定位方法与系统， 只需依赖一个激光雷达和 单目摄像头， 成本较低。 0024 第四.本发明所提出的目标车辆位姿定位方法与系统， 算法效率较高， 能够满足智 能泊车技术在对位过程的实时性要求。 附图说明 0025 图1为本发明的方法流程示意图； 0026 图2为本发明所采用的车型判别模块的网络结构图； 0027 图3为本发明所采用的点云匹配算法结果示意图。 具体实施方式 0028 下面将结合本发明实施例中的附图， 对本发明实施例中的技术方案进行清楚、 完 整地描述， 显然， 所描述的实施例是本发明的一部分实施。

12、例， 而不是全部实施例。 基于本发 明中的实施例， 本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实 施例， 都应属于本发明保护的范围。 0029 实施例 0030 本发明提供了一种利用3D激光雷达的车辆位姿定位系统， 其中车辆位姿定位系统 主要由3D激光雷达、 单目摄像头、 车型判别模块、 云端点云数据库、 点云数据匹配模块所组 成。 通过上述传感器与功能模块的共同作用， 最终得到目标车辆的位姿信息。 0031 其中3D激光雷达可部署于泊车机器人上， 也可部署于指定的泊车中转区， 3D激光 雷达以自身位置为原点， 以一定帧率的速度采集目标车辆的点云数据， 在本发明的优选实 施。

13、例中， 3D激光雷达部署于泊车机器人上， 离地高度大约1m， 激光雷达能够尽可能多的采集 目标车辆的点云数据， 利于点云数据的匹配结果的精准性。 0032 其中单目摄像头可部署于泊车机器人上， 也可部署于指定的泊车中转区， 单目摄 像头的部署应保证能尽可能正对目标车辆的前部， 在本发明的优选实施例中， 单目摄像头 说明书 2/4 页 4 CN 110082779 A 4 部署于泊车机器人上， 正对泊车机器人搬运车辆方向， 位于3D激光雷达下方。 0033 其中车型判别模块为利用各大车型的前部图像数据， 根据深度学习技术， 搭建车 型判别的卷积神经网络， 经过训练所得。 在本发明的优选实施例中，。

14、 车型判别模块的卷积神 经网络以ResNet、 VGGNet等著名卷积神经网络进行迁移训练所得。 0034 其中云端点云数据库为对各大车型的车辆在指定区域， 利用车辆位姿定位系统的 同一型号3D激光雷达采集并按车型分类存放于所得。 0035 其中点云数据匹配模块用于实现对目标车辆的点云数据与数据库中相应车辆点 云数据的匹配， 进而获取目标车辆点云数据相对于数据库中点云数据的刚体旋转矩阵R和 平移向量t。 在本发明的优选实施例中， 利用迭代最近点算法(Iterative Closest Point， ICP)进行求解相应的匹配结果。 0036 本发明提供了一种利用3D激光雷达的车辆位姿定位方法,。

15、其定位方法为： 首先利 用3D激光雷达获取目标车的特征点云数据、 利用单目摄像头获取车辆的特征图像数据； 然 后利用车辆车型检测模块进行判别； 根据判别结果， 从云端数据库调取对应车型的点云数 据， 然后利用迭代最近点算法(Iterative Closest Point， ICP)对所采集的目标车辆特征 点云数据与云端点云数据进行匹配获取目标车辆的刚体旋转矩阵与位移向量； 最后依据刚 体旋转矩阵与位移向量获取目标车辆的位姿信息。 具体步骤如下： 0037 (1)、 利用3D激光雷达获取目标车的特征点云数据、 利用单目摄像头获取车辆的特 征图像数据； 0038 (2)、 利用结合深度学习CNN卷。

16、积神经网络的车型判别模块对目标车辆的车型进行 判断； 0039 (3)、 根据车型判别结果从云端点云数据库调取对对应车型的特征点云数据 0040 (4)、 对采集的特征点云数据与云端点云数据进行匹配， 获取采集点云数据相对于 云端点云数据的刚体旋转矩阵R和平移向量t； 0041 (5)、 根据刚体旋转矩阵R和平移向量t作为对车辆位姿信息的定位结果。 0042 在步骤(2)中的CNN卷积神经网络的车型判别模块通过对ResNet、 VGGNet等著名网 络结构进行迁移训练得到， 神经网络结构具体如图2所示； 0043 在步骤(4)中的点云匹配过程中， 利用迭代最近点算法(Iterative Clo。

17、sest Point， ICP)， 其目标优化函数为： 0044 0045 上式中pi为所采集的点云数据， pi为所云端数据库中的对应的点云数据， R为刚体 旋转矩阵， t为平移向量。 0046 求解时， 通过数学变化可将该求解过程简化为以下3个步骤： 0047 (5-1)计算两组点的质心位置p,p ， 然后计算每个点的去质心坐标： 0048 qipi-p,qipi-p 0049 (5-2)根据优化问题计算旋转矩阵： 0050 说明书 3/4 页 5 CN 110082779 A 5 0051 (5-3)根据(5-2)所求的R， 计算t： 0052 t*p-Rp 0053 本实施例的算法实际匹。

18、配效果如图3所示， 本发明的流程图如图1所示。 0054 总之， 本发明提出了一种基于3D激光雷达的车辆位姿定位方法与系统， 在智能泊 车技术领域， 对目标车辆的位姿信息的精准检测是实现泊车机器人对目标车辆进行精准对 位的关键任务之一。 0055 以上所述， 仅为本发明的具体实施方式， 但本发明的保护范围并不局限于此， 任何 熟悉本技术领域的技术人员在本发明揭露的技术范围内， 可轻易想到各种等效的修改或替 换， 这些修改或替换都应涵盖在本发明的保护范围之内。 因此， 本发明的保护范围应以权利 要求的保护范围为准。 说明书 4/4 页 6 CN 110082779 A 6 图1 说明书附图 1/2 页 7 CN 110082779 A 7 图2 图3 说明书附图 2/2 页 8 CN 110082779 A 8 。