【技术实现步骤摘要】
本专利技术属于智能交通，具体为一种应用于车路协同路侧感知系统的联合标定方法。
技术介绍
1、智能网联汽车经过近年来的大力发展，目前已经可以实现特定场景和低速状态下的无人驾驶。对于实现全场景高速无人驾驶，目前还没有一个完善的解决方案。为了弥补单车智能的感知不足，提高智能车的感知范围，以及提升交通管控的感知手段，业内专家提出了车路协同的概念。
2、车路协同，即智能车通过无线通信的方式，与路侧人、车、路、网互联通信，提升自车的感知范围和感知手段。通常，在车路协同的路侧端，一般会架设路侧感知系统。系统由多种感知传感器组成，如图像传感器、毫米波雷达传感器、激光雷达传感器等，通过多传感器融合感知的方式，获取道路上动态和半动态目标的位置、速度、航向角、类型等目标特征数据。针对多种传感器感知到的多个交通目标，需要通过目标匹配、数据融合的方式把感知到的多种信息组合起来，我们通常称这一过程为传感器融合。在传感器融合过程中，需要对传感器的数据进行时间和空间的匹配同步，空间匹配部分，常用路侧系统标定的方式实现。目前，常用的路侧系统标定方案是利用人工，在感知区域手持单点高精定位打点，配合图像和雷达手动标注的方式实现。以上描述的方式在路侧系统标定过程中，非常的耗费人力物力，且精度不高，急需一种高效自动化的路侧系统联合标定方法和系统，提高标定的效率和精度。
3、现有技术中，例如公开号为：“cn112102417a”的专利技术专利，利用高精地图找出相机坐标系中的真值点，之后构建真值点的重投影误差，最优化求解相机外参。该方法需要用到高精地
4、现有技术中，例如公开号为：“cn112288825a”的专利技术专利，将鱼眼相机图像转换为枪机相机图像，利用rtk测得标志点真实定位信息，然后对多个标志点进行pnp解算，求解相机外参。该方法需要人工携带rtk采集标志点位置，消耗较多人力物力。
5、现有技术中，例如公开号为：“cn113592951a”的专利技术专利，利用全站仪获得目标点的位置，再结合高精地图，用最小二乘法解算相机外参。该方法需要同时用到全站仪与高精地图，不具有普适性。
6、现有技术中，例如公开号为：“cn114187365a”的专利技术专利，以摄像机正下方的地面作为原点建立世界坐标系，用rtk测量相机标志物的位置，用pnp求解相机外参；用角反作为雷达反射目标获取目标点位置，用svd获取雷达外参。该方法用静态目标作为标志物，人工测量标志物的位置，过程较为复杂。
7、现有技术中，例如公开号为：“cn113916259a”的专利技术专利，通过组合导航获得标志物的位置信息，然后对接收到的各传感器原始数据进行处理，利用有效标定数据对各传感器进行标定。该方法需要标定靶标在传感器的视野范围内沿道路匀速直线运动，对标定物状态进行了限制，增加了标定的复杂度。
技术实现思路
1、本专利技术的目的在于提供一种应用于车路协同路侧感知系统的联合标定方法，以解决
技术介绍
中提出的现有技术中，村咋标定过程耗时较长、标定精度低、单应性矩阵的计算精度不够、算法拟合精度不高、标定效率低的问题。
2、为解决上述技术问题，本专利技术所采用的技术方案是：
3、一种应用于车路协同路侧感知系统的联合标定方法，包括以下步骤：
4、步骤s1，打开配置电脑标定页面，开始标定；
5、步骤s2，配置电脑控制路侧系统采集图像数据、毫米波雷达数据、激光雷达数据；
6、步骤s3，配置电脑监测移动标志物在路侧系统感知区域内移动，同步采集移动标志物的经纬度数据；
7、步骤s4，系统处理图像数据、毫米波雷达数据以及激光雷达数据；
8、步骤s5，系统接收移动标志物的高精定位信息p(l on，l at)；
9、步骤s6，根据标志物的姿态和定位点在标志物中的位置，优化目标点的具体位置：
10、p’＝r*p+t
11、其中，r是由标志物姿态构建的旋转矩阵，t是目标点到定位点的距离；
12、步骤s7,根据步骤s2处理得到的图像数据、毫米波雷达数据以及激光雷达数据分别构建相机、毫米波雷达、激光雷达与移动标志之间的求解模型：
13、步骤s8，保存矩阵文件到路侧感知系统内。
14、根据上述技术方案，步骤s4中，系统处理图像数据具体为：
15、做图像目标检测，通过图像坐标转化；加载图像目标检测模型i mg_mode l，将图像img输入目标检测模型i mg_mode l,通过模型检测出标志物在图像img中的位置，输出目标在图像上的像素位置信息s_ca mera(x_camera,y_camera)；
16、s_camera＝img_model(img)
17、根据上述技术方案，步骤s4中，系统处理毫米波雷达数据具体为：
18、通过对比标志物在图像中的运动轨迹，选出标志物在毫米波雷达中的位置，并以毫米波雷达为原点，毫米波雷达直视方向为y轴，垂直方向为x轴，构建毫米波雷达坐标系；将毫米波雷达输出的距离d和角度θ转换到毫米波雷达坐标系下；具体转换如下：
19、x_radar＝d·sinθ
20、y_radar＝d·cosθ
21、得到目标在毫米波雷达坐标系上的位置信息s_radar(x_radar，y_radar)。
22、根据上述技术方案，步骤s4中，系统处理激光雷达数据具体为：
23、做点云数据处理，加载点云目标检测模型pcl_model，将激光雷达点云pcl输入目标检测模型pcl_model，通过模型检测标志物在激光雷达中的位置p(x,y,z)，取激光雷达的xy平面为目标平面，具体转换如下：
24、p＝pcl_model(pcl)
25、x_lidar＝px
26、y_lidar＝py
27、得到目标在激光雷达xy平面上的位置信息s_lidar(x_lidar，y_lidar)。
28、根据上述技术方案，步骤s7中，构建不同传感器与移动标志之间的求解模型具体为：
29、图像传感器与移动标志之间的求解模型为：
30、p＝h_camera*s_camera
31、其中，p为高精定位信息，s_camera为标在图像上的像素位置信息，h_camera为图像像素位置到高精定位位置间的转换矩阵；
32、毫米波雷达传感器与移动标志之间的求解模型为：
33、p＝h_radar*s_radar
34、其中，p为高精定位信息，s_radar为目标在毫米波雷达上投影到地面的位置信息，h_radar为毫米波雷达坐标系位置到高精定位位置间的转换矩阵；
35、激光雷达传感器与移动标志之间的求解模型为：
36、p＝h_lida本文档来自技高网...
【技术保护点】
1.一种应用于车路协同路侧感知系统的联合标定方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种应用于车路协同路侧感知系统的联合标定方法，其特征在于：步骤S4中，系统处理图像数据具体为：
3.根据权利要求1所述的一种应用于车路协同路侧感知系统的联合标定方法，其特征在于：步骤S4中，系统处理毫米波雷达数据具体为：
4.根据权利要求1所述的一种应用于车路协同路侧感知系统的联合标定方法，其特征在于：步骤S4中，系统处理激光雷达数据具体为：
5.根据权利要求1所述的一种应用于车路协同路侧感知系统的联合标定方法，其特征在于：步骤S7中，构建不同传感器与移动标志之间的求解模型具体为：
【技术特征摘要】
1.一种应用于车路协同路侧感知系统的联合标定方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种应用于车路协同路侧感知系统的联合标定方法，其特征在于：步骤s4中，系统处理图像数据具体为：
3.根据权利要求1所述的一种应用于车路协同路侧感知系统的联合标定方法，其特征在于：步骤s4中，系...
【专利技术属性】
技术研发人员：刘维维，魏杰科，封钦柱，郑博文，唐虎，
申请(专利权)人：四川天府新区北理工创新装备研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。