一种外参标定方法、装置、设备、服务器及车载计算设备制造方法及图纸

本申请公开了一种外参标定方法、装置、设备、服务器及车载计算设备。该方法包括：获取点云数据和位姿数据；根据点云数据、位姿数据、第一特征信息和当前的第一转换矩阵构造目标函数，其中，第一特征信息为基于第一神经网络模型对点云数据进行特征提取得到的，第一转换矩阵为从点云数据对应的第一坐标到位姿数据对应的第二坐标的转换矩阵；根据目标函数，对第一转换矩阵进行更新。在本申请中，利用深度神经网络提取到的特征信息，构造目标函数用于对第一转换矩阵进行更新，有助于提升外参标定的精度，进而提高系统建图、定位、导航等功能的精度。度。度。

【技术实现步骤摘要】
一种外参标定方法、装置、设备、服务器及车载计算设备


[0001]本申请涉及标定
，尤其涉及一种外参标定方法、装置、设备、服务器及车载计算设备。

技术介绍

[0002]当前，雷达(下面简称Lidar)、全球导航卫星系统(global navigation satellite system，GNSS)和惯性测量单元(inertial measurement unit，IMU)三者已经被广泛运用于自动驾驶技术中。自动驾驶车辆的高精度建图、定位、感知和导航等，均依赖于此三者的融合使用。此三者融合使用，将能较好地减少后游工作量以及提高最终结果的精度。
[0003]当前，高精度的导航惯性测量单元(GNSS
‑
IMU)系统已经很好地将GNSS信息与IMU信息进行融合输出。Lidar与GNSS
‑
IMU系统的融合使用，还严重依赖于Lidar与GNSS
‑
IMU系统的外参标定。Lidar与GNSS
‑
IMU系统的外参标定工作，即为求解Lidar系统与GNSS
‑
...

【技术保护点】

【技术特征摘要】
1.一种外参标定方法，其特征在于，包括：获取第一数据，所述第一数据包括点云数据和位姿数据；根据所述第一数据、第一特征信息和当前的第一转换矩阵构造目标函数，所述第一特征信息为基于第一神经网络模型对所述点云数据进行特征提取得到的，所述第一转换矩阵为从所述点云数据对应的第一坐标到所述位姿数据对应的第二坐标的转换矩阵；根据所述目标函数，对所述第一转换矩阵进行更新。2.如权利要求1所述的方法，其特征在于，所述根据所述第一数据、第一特征信息和当前的第一转换矩阵构造目标函数，根据所述目标函数，对所述第一转换矩阵进行更新，包括：根据所述第一数据、第一特征信息和当前的第一转换矩阵构造目标函数；根据所述目标函数，对所述当前的第一转换矩阵进行更新；检测更新后的所述第一转换矩阵的精度和/或执行对所述当前的第一转换矩阵进行更新的次数是否满足所述预设条件，若满足，则将更新得到的第一转换矩阵作为目标转换矩阵；若不满足，则用更新得到的第一转换矩阵替换所述当前的第一转换矩阵，返回继续执行根据所述第一数据、第一特征信息和当前的第一转换矩阵构造目标函数的处理。3.如权利要求1或2所述的方法，其特征在于，在根据所述第一数据、第一特征信息和当前的第一转换矩阵构造目标函数之前，还包括：根据所述位姿数据和当前的第一转换矩阵对所述点云数据进行运动补偿，将每帧扫描到的点的坐标修正至同一时刻下的坐标。4.如权利要求3所述的方法，其特征在于，所述根据所述第一数据、第一特征信息和当前的第一转换矩阵构造目标函数，包括：基于所述第一神经网络模型对运动补偿后的点云数据进行特征提取，得到第二特征信息；根据所述第一数据、所述第二特征信息和当前的第一转换矩阵构造目标函数。5.如权利要求3或4所述的方法，其特征在于，所述根据所述位姿数据和当前的第一转换矩阵对所述点云数据进行运动补偿，包括：针对目标帧扫描确定目标时刻，所述目标帧为获取的点云数据中的任意一帧；根据所述目标时刻的位姿数据和当前的第一转换矩阵确定所述目标时刻对应的第二转换矩阵，所述第二转换矩阵为从所述第一坐标到第三坐标的转换矩阵；针对所述目标帧中第一时刻扫描到的点，根据所述第一时刻的位姿数据和当前的第一转换矩阵确定所述第一时刻对应的第二转换矩阵；根据所述目标时刻对应的第二转换矩阵和所述第一时刻对应的第二转换矩阵，将所述第一时刻扫描到的目标点的坐标修正至目标时刻对应的所述目标点的坐标。6.如权利要求5所述的方法，其特征在于，所述根据所述目标时刻的位姿数据和当前的第一转换矩阵确定所述目标时刻对应的第二转换矩阵，包括：根据所述目标时刻的位姿数据确定所述目标时刻对应的第三转换矩阵，所述第三转换矩阵为从所述第二坐标到第三坐标的转换矩阵；根据当前的第一转换矩阵和所述目标时刻对应的第三转换矩阵，确定所述目标时刻对应的第二转换矩阵，所述第二矩阵为从所述第一坐标到第三坐标的转换矩阵；
所述根据所述第一时刻的位姿数据和当前的第一转换矩阵确定所述第一时刻对应的第二转换矩阵，包括:根据第一时刻的位姿数据确定第一时刻对应的第三转换矩阵；根据所述当前的第一转换矩阵和所述第一时刻对应的第三转换矩阵，确定第一时刻对应的第二转换矩阵。7.如权利要求1或2所述的方法，其特征在于，所述根据所述第一数据、第一特征信息和当前的第一转换矩阵构造目标函数，包括：对所述点云数据进行运动补偿；基于所述第一神经网络对运动补偿后的点云数据提取第二特征信息；根据所述位姿数据和当前的第一转换矩阵，将运动补偿后的点云数据转换至第三坐标；根据转换至第三坐标后的点云数据和所述第二特征信息构造目标函数。8.如权利要求7所述的方法，其特征在于，所述根据转换至第三坐标后的点云数据和所述第二特征信息构造目标函数，包括：根据如下公式构造目标函数：其中，loss表示目标函数，N表示所述点云数据中所有点的数量或者基于所述第一神经网络模型提取到的特征点的数量，p
i
表示第i个点，P
i_knn
表示第i个点的k个最近邻点，Dist表示距离函数，所述距离函数包括点到点的距离函数、点到线的距离函数或者点到面的距离函数。9.如权利要求8所述的方法，其特征在于，所述点到点的距离函数为如下所示：征在于，所述点到点的距离函数为如下所示：其中，D(p
i
,p
j
)表示点到点的距离函数，p
i
和p
j
分别表示两个不同的点，e表示自然数，f
i
和f
j
分别表示p
i
和p
j
经深度神经网络提取到的特征，所述特征包括K维，且经深度神经网络提取到的特征，所述特征包括K维，且H(f
i
,f
j
)表示特征(f
i
,f
j
)之间的距离，d(p
i
,p
j
)表示p
i
和p
j
之间的欧式距离。10.如权利要求7
‑
9任一项所述的方法，其特征在于，所述根据所述位姿数据和当前的第一转换矩阵，将运动补偿后的点云数据转换至第三坐标，包括：针对目标帧经过运动补偿后修正至目标时刻的点云数据，根据所述目标时刻的位姿数据确定目标时刻对应的第三转换矩阵，所述第三转换矩阵为从所述第二坐标到第三坐标的转换矩阵，所述目标帧为获取的点云数据中的任意一帧；根据所述目标时刻对应的第三转换矩阵和所述当前的第一转换矩阵，确定目标时刻对应的第二转换矩阵，所述第二转换矩阵为从所述第一坐标到第三坐标的转换矩阵；根据所述第三转换矩阵，将所述目标帧中每个点的坐标转换至第三坐标。11.如权利要求1
‑
10任一项所述的方法，其特征在于，在获取第一数据之后，还包括：根据所述点云数据和所述位姿数据，利用建图算法和手眼标定算法，确定第一转换矩
阵。12.如权利要求11所述的方法，其特征在于，所述根据所述点云数据和所述位姿数据，利用建图算法和手眼标定算法，确定第一转换矩阵，包括：根据所述位姿数据和初始转换矩阵对所述点云数据进行运动补偿，将每帧扫描到的点的坐标修正至同一时刻下的坐标，所述初始转换矩阵为预设的初始第一转换矩阵；基于所述第一神经网络模型对所述运动补偿后的点云数据提取特征信息；根据运动补偿后的点云数据、所述特征信息，利用建图算法确定每帧点云的中心点的相对位姿；根据所述位姿数据和所述相对位姿，利用手眼标定算法确定当前的第一转换矩阵。13.如权利要求1
‑
12任一项所述的方法，其特征在于，所述位姿数据包括经度、纬度和姿态角。14.一种外参标定装置，其特征在于，包括：获取模块，用于获取第一数据，所述第一数据包括点云数据和位姿数据；处理模块，用于根据所述第一数据、第一特征信息和当前的第一转换矩阵构造目标函数，所述第一特征信息为基于第一神经网络模型对所述点云数据进行特征提取得到的，所述第一转换矩阵为从所述点云数据对应的第一坐标到所述位姿数据对应的第二坐标的转换矩阵；根据所述目标函数，对所述第一转...

【专利技术属性】
技术研发人员：陈敬恒，李亚敏，刘新春，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：