一种融合车载信息的自动驾驶系统激光雷达在线标定方法技术方案

本发明专利技术公开了一种融合车载信息的自动驾驶系统激光雷达在线标定方法，其目的是：提供一种端到端的激光雷达外参在线标定方法，避免复杂的数学模型推导和优化，避免使用额外设备，利用深度卷积神经网络的数据分析能力处理激光雷达的点云数据和车辆ECU数据，在线实时估计出激光雷达的外参误差，从而实现对激光雷达外参的实时修正，提升自动驾驶系统环境感知功能的准确性和稳定性，保证自动驾驶系统的行车安全。

【技术实现步骤摘要】
一种融合车载信息的自动驾驶系统激光雷达在线标定方法
本专利技术涉及一种面向自动驾驶系统的激光雷达标定方法，特别是关于一种融合车载信息的自动驾驶系统激光雷达在线标定方法。
技术介绍
近年来兴起的自动驾驶技术有望解决交通事故数量居高不下的社会问题，甚至有望改变人们的出行方式，影响城市的设计格局，因而收到各国重视，成为汽车行业的研究热点。自动驾驶系统需要与环境发生交互，因而需要感知环境的状态。目前自动驾驶系统常用的环境感知传感器包括：激光雷达、摄像头、毫米波雷达和超声波雷达。其中，激光雷达因能准确测距、视野广、不依赖可见光而备受青睐，成为现有自动驾驶系统中不可或缺的传感器。在环境感知过程中，激光雷达检测到的目标需要转换到车辆坐标系下才能被自动驾驶系统的决策模块使用，该坐标转换需要用到激光雷达的外参。通常情况下，自动驾驶系统在安装好激光雷达后会进行静态标定，通过常用的测量手段，如皮尺、激光测距仪等，测出激光雷达相对于车辆坐标系的平移距离和旋转角度，即测量出外参。然后该外参会被写入自动驾驶系统的配置文件中，供环境感知算法调用，以修正激光雷达所检测到的障碍物位置，将其转换到车辆坐标系中。但自动驾驶系统在运行过程中，会因胎压不稳、乘客数量不同、载荷不均等问题造成悬架形变，从而对激光雷达的外参产生临时影响，造成外参的临时误差。同时，自动驾驶在长期使用过程中，设备的安装支架会产生形变，对激光雷达的外参造成永久性误差。这些都会对自动驾驶系统的环境感知系统产生影响，降低障碍物的感知精度和稳定性，甚至威胁系统的行驶安全性。尽管定期重新标定外参可以缓解上述问题，但：1)该方法费时费力；2)大规模量产的自动驾驶系统不可能都召回重标外参；3)激光雷达外参的临时变化无法及时被识别。所以，有必要充分利用激光雷达本身的点云信息，结合车载其他传感器信息，对激光雷达的外参进行在线实时估计，及时发现外参误差，保证环境感知系统的准确性和鲁棒性，进而为自动驾驶系统的正常运行保驾护航。现有激光雷达外参标定方法存在如下缺陷：1)多为静态标定方法，需要特殊的场地和特殊的流程，无法在线实施；2)需要进行数据建模解算，增加了算法复杂度，也引入了模型失配误差；3)通常需要进行迭代优化以求最优解，容易陷入局部最优，得不到真正的准确外参。近年来兴起的深度卷积神经网络技术具有强非线性拟合能力和学习能力，易于从大数据中自动分离出关键特征，从而实现端到端的模式识别。将深度卷积神经网络技术与激光雷达的标定场景相结合，有望从大数据中学习到复杂的位姿转换关系，在线融合激光点云数据与车载传感器数据，实现对激光雷达外参误差的在线识别。但相关工作暂未有人开展。
技术实现思路
针对现有技术存在的不足，本专利技术的目的在于提供一种融合车载信息的自动驾驶系统激光雷达在线标定方法，利用深度卷积神经网络的数据分析能力处理激光雷达的点云数据和车载传感器数据，在线实时估计出激光雷达的外参误差，从而实现对激光雷达外参的实时修正，保证自动驾驶系统的正常工作。为实现上述目的，本专利技术提供了如下技术方案：一种融合车载信息的自动驾驶系统激光雷达在线标定方法，包括如下步骤：步骤1，搭建大数据引擎，该大数据引擎包括车载部分和服务器部分，其中车载部分包括传感器、预处理、数据同步和数据存储，其中传感器包括：激光雷达，提供自动驾驶车辆周围的环境点云数据；车载ECU，提供车辆的必要状态信息，即车速、方向盘转角和INS信息；接收到上述环境点云数据和车辆的必要状态信息后通过预处理对激光雷达的点云数据解析，即将激光雷达的原始数据转换为算法所需要的常用格式，以激光点的空间三维坐标为表征，还对车载ECU数据解析，从CAN总线中将ECU的原始数据转换为算法所需要的常用格式，即车速值、方向盘转角值和车辆坐标系下的三轴加速度值；步骤2，利用C++编程搭建初始深度卷积神经网络模型并保存；利用服务器部署所搭建的深度卷积神经网络模型，给模型输入大数据引擎所生成的数据，进行模型训练，并保存训练好的深度卷积神经网络模型；步骤3，将训练好的深度卷积神经网络模型搭载到自动驾驶系统中，在软件中连接好激光雷达数据、车载传感器数据和深度卷积神经网络模型；正常运行自动驾驶系统，深度卷积神经网络模型将会实时收取激光雷达数据和车载传感器数据，并实时比对二者的偏差，在线给出激光雷达的外参误差值。作为本专利技术的进一步改进，所述步骤一中搭建大数据引擎的具体步骤如下：步骤一一，针对目标自动驾驶系统，安装好激光雷达，连接好车载传感器接口，并利用精密仪器完成对激光雷达的静态标定，获得激光雷达的外参；步骤一二，驾驶搭载已标定自动驾驶系统的车辆在目标工作区域、场景中行驶，行驶车速保持在30km/h以下，保证车辆不发生剧烈颠簸，采集激光点云和车载传感器数据，并通过软件记录下来；步骤一三，对已采集数据施加人为干扰，模拟车辆剧烈运动下的激光雷达点云数据和车载传感器数据，并通过软件记录下来。作为本专利技术的进一步改进，所述步骤1中对车载ECU数据解析方式为将车载ECU获取的数据处理为车辆状态轨迹，其中该车辆状态轨迹由车辆运动学模型推导而出，所述车辆运动学模型由以下步骤推导而出：步骤11，当车辆平稳、低速运动时，质心侧偏角和轮胎侧偏角均可忽略，于是有如下关系成立。上式中，δ为车辆前轮平均转角，即为δo和δi的均值，v为车速，β为车辆横摆角；步骤12，根据步骤11中所示的运动学关系，若车辆当前位姿为Tk，则下一时刻车辆位姿可预测为下式所示：Tk+1＝TkTΔ上式中，TΔ即为k到k+1时刻车辆的位姿相对变化量；步骤13，将步骤12中的TΔ按下式计算：其中，φ^表示取向量φ的反对称阵，Δt表示k到k+1时刻的时间差。作为本专利技术的进一步改进，所述步骤1中的数据同步具体步骤如下：步骤14，为激光点云数据标记系统时间；步骤15，根据激光点云的系统时间，在车辆状态数据流中插值，获得激光点云所在时刻的车辆状态数据近似值。作为本专利技术的进一步改进，所述步骤一三中认为干扰的具体内容如下：模拟车速增高，利用现有数据进行数值模拟，生成高速行驶工况的数据；模拟车辆颠簸，利用现有数据，对点云和车辆状态轨迹共同施加预定好的短时间大俯仰和侧倾角度变换，模拟车辆的震动工况；模拟遮挡工况，人为滤除多个角度的激光点云数据，使得深度卷积神经网络能应对点云稀少的工况；模拟不同外参偏差值，通过人为加入预定好的外参偏差，获得带外参偏差的数据。本专利技术的有益效果，1)不需要人为推导激光雷达的外参偏差变化数学模型，易于工程实用；2)进行外参误差估计所需的第三方设备为车载传感器，该设备在自动驾驶车辆中是必备的，所以本专利技术未增加额外设备，易于应用在现有自动驾驶系统中；3)本专利技术实现了激光雷达外参的实时在线标定，能为自动驾驶系统提供实时的外参修正，从而提升了自动驾驶系统的环境感知精度和可靠性，进而提升了自动驾本文档来自技高网...

【技术保护点】
1.一种融合车载信息的自动驾驶系统激光雷达在线标定方法，其特征在于：包括如下步骤：/n步骤1，搭建大数据引擎，该大数据引擎包括车载部分和服务器部分，其中车载部分包括传感器、预处理、数据同步和数据存储，其中传感器包括：/n激光雷达，提供自动驾驶车辆周围的环境点云数据；/n车载ECU，提供车辆的必要状态信息，即车速、方向盘转角和INS信息；/n接收到上述环境点云数据和车辆的必要状态信息后通过预处理对激光雷达的点云数据解析，即将激光雷达的原始数据转换为算法所需要的常用格式，以激光点的空间三维坐标为表征，还对车载ECU数据解析，从CAN总线中将ECU的原始数据转换为算法所需要的常用格式，即车速值、方向盘转角值和车辆坐标系下的三轴加速度值；/n步骤2，利用C++编程搭建初始深度卷积神经网络模型并保存；利用服务器部署所搭建的深度卷积神经网络模型，给模型输入大数据引擎所生成的数据，进行模型训练，并保存训练好的深度卷积神经网络模型；/n步骤3，将训练好的深度卷积神经网络模型搭载到自动驾驶系统中，在软件中连接好激光雷达数据、车载传感器数据和深度卷积神经网络模型；正常运行自动驾驶系统，深度卷积神经网络模型将会实时收取激光雷达数据和车载传感器数据，并实时比对二者的偏差，在线给出激光雷达的外参误差值。/n...

【技术特征摘要】
1.一种融合车载信息的自动驾驶系统激光雷达在线标定方法，其特征在于：包括如下步骤：
步骤1，搭建大数据引擎，该大数据引擎包括车载部分和服务器部分，其中车载部分包括传感器、预处理、数据同步和数据存储，其中传感器包括：
激光雷达，提供自动驾驶车辆周围的环境点云数据；
车载ECU，提供车辆的必要状态信息，即车速、方向盘转角和INS信息；
接收到上述环境点云数据和车辆的必要状态信息后通过预处理对激光雷达的点云数据解析，即将激光雷达的原始数据转换为算法所需要的常用格式，以激光点的空间三维坐标为表征，还对车载ECU数据解析，从CAN总线中将ECU的原始数据转换为算法所需要的常用格式，即车速值、方向盘转角值和车辆坐标系下的三轴加速度值；
步骤2，利用C++编程搭建初始深度卷积神经网络模型并保存；利用服务器部署所搭建的深度卷积神经网络模型，给模型输入大数据引擎所生成的数据，进行模型训练，并保存训练好的深度卷积神经网络模型；
步骤3，将训练好的深度卷积神经网络模型搭载到自动驾驶系统中，在软件中连接好激光雷达数据、车载传感器数据和深度卷积神经网络模型；正常运行自动驾驶系统，深度卷积神经网络模型将会实时收取激光雷达数据和车载传感器数据，并实时比对二者的偏差，在线给出激光雷达的外参误差值。


2.根据权利要求1所述的融合车载信息的自动驾驶系统激光雷达在线标定方法，其特征在于：所述步骤一中搭建大数据引擎的具体步骤如下：
步骤一一，针对目标自动驾驶系统，安装好激光雷达，连接好车载传感器接口，并利用精密仪器完成对激光雷达的静态标定，获得激光雷达的外参；
步骤一二，驾驶搭载已标定自动驾驶系统的车辆在目标工作区域、场景中行驶，行驶车速保持在30km/h以下，保证车辆不发生剧烈颠簸，采集激光点云和车载传感器数据，并通过软件记录下来；
步骤一三，对已采集数据施加人为干扰，模拟车辆剧烈运动下的激光雷达点云数...

【专利技术属性】
技术研发人员：秦晓辉，谢国涛，王晓伟，边有钢，徐彪，胡满江，杨泽宇，胡展溢，钟志华，
申请(专利权)人：清华大学，
类型：发明
国别省市：北京;11