用于激光雷达的外参标定方法和装置及机器可读存储介质与流程

1.本发明涉及人工智能领域，具体地，涉及一种用于激光雷达的外参标定方法和装置及机器可读存储介质。


背景技术：

2.伴随人工智能和半导体技术的迅速发展，智慧施工已经逐步映入人们的眼帘，相对传统工地的施工管理，智慧施工融合了更多的传感器、人工智能和虚拟现实等高精尖技术。智慧工地运用信息化手段，对工程项目的进度精准把控和施工场景模拟，并通过管理施工过程数据进行深层次的数据挖掘分析，提供项目施工趋势预测和项目专家预案，建立一个互联协同、智慧生产、科学管理的智慧工地信息化生态圈。智慧工地的主要需求信息来源为三维重建点云模型，而获取大场景(半径≥100米)三维重建点云模型无法通过单独的激光雷达直接获取，现阶段最优方法是通过精准控制云台带动激光雷达，采集多帧不同角度的点云数据进行拼接，从而实现大场景范围的重建。但云台旋转中心与激光雷达旋转中心存在旋转位姿偏移，需进行激光雷达三维重建系统外参标定才能实现将多帧数据进行点云拼接，实现大场景三维点云重建模型。
3.现有技术中提供了一种基于激光雷达的三维重建系统外参的系统化标定方法。在该方法中，利用物体空间轨迹完成激光雷达重建系统的标定，仅使用一个特制靶标，无需考虑标定过程中的时间同步问题，能够有效降低标定成本和复杂程度，提高标定的自动化程度。但是，该方法中的标定只能适用于标定场景中含有特定标定物，如标定靶标、标定球等。通过提前处理滤除背景噪声，并比较重复区域中特定标定物相对于当前位姿状态，提取特定物体(靶标)的圆孔，拟合出圆孔中心坐标，重复采集多组数据，利用优化算法计算出激光雷达的外参数。因为该方法需要有特定标定物且标定物需位于相邻的帧的重复区域之内，而旋转式激光雷达扫描方式旋转次数多，若进行标定，采用多次标定，则存在标定误差累积，上一帧误差影响下一帧标定，当误差累积一定量时造成标定失败。此外，标定过程中需将特定标定物放置在前后两帧的重复区域操作繁琐，也会增加标定操作复杂性。


技术实现要素：

4.本发明的目的是提供一种用于激光雷达的外参标定方法和装置及机器可读存储介质，其可解决或至少部分解决上述问题。
5.为了实现上述目的，本发明的一个方面提供一种用于激光雷达的外参标定方法，所述激光雷达设置于云台上，该外参标定方法包括：获取在所述云台旋转过程中所述激光雷达采集的初始点云；将所述初始点云分为第一点云集合和第二点云集合，所述第一点云集合和所述第二点云集合至少部分重叠；从所述第一点云集合中确定至少三个第一特征点，并针对每一所述第一特征点确定邻域点云，以及所述邻域点云的邻域内平面法向量和邻域内平面质量度；从所述第二点云集合中确定与所述至少三个第一特征点分别对应的至少三个第二特征点；结合所述邻域内平面法向量和邻域内平面质量度，构建所述至少三个
第一特征点与所述至少三个第二特征点之间的距离函数；通过对所述距离函数的最小值求解，得到所述激光雷达三维重建系统的外参标定结果。
6.可选地，将所述初始点云分为第一点云集合和第二点云集合，包括：根据所述初始点云在所述激光雷达的球坐标系中的分布区域，将所述初始点云分为第一初始点云集合和第二初始点云集合；基于设定的旋转平移矩阵，将所述第一初始点云集合和所述第二初始点云集合分别转换至所述云台对应的坐标系中，得到所述第一点云集合和所述第二点云集合。
7.可选地，通过对所述距离函数的最小值求解，得到所述激光雷达三维重建系统的外参标定结果，包括：通过对所述距离函数的最小值求解，得到更新后的旋转平移矩阵；在不满足迭代结束条件的情况下，以所述更新后的旋转平移矩阵为设定的旋转平移矩阵，返回执行基于设定的旋转平移矩阵将所述第一初始点云集合和所述第二初始点云集合分别转换至所述云台对应的坐标系中得到所述第一点云集合和所述第二点云集合的步骤；在满足迭代结束条件的情况下，将所述更新后的旋转平移矩阵作为所述激光雷达三维重建系统的外参标定结果。
8.可选地，在所述距离函数中，针对所述至少三个第一特征点中的任一第一特征点，以第一距离和第二距离之差为损失及以所述第一特征点对应的所述邻域内平面质量度为加权权重，所述第一距离为所述第一特征点对应的所述邻域内平面法向量到所述第一特征点的距离，所述第二距离为所述第一特征点对应的所述邻域内平面法向量到所述第一特征点对应的第二特征点的距离。
9.可选地，所述距离函数为：其中，i为所述至少三个第一特征点中的第一特征点的标识；为第一特征点i的坐标；xi′
为与第一特征点i对应的第二特征点的坐标，h1为设定的旋转平移矩阵；n
it
为第一特征点i对应的所述邻域内平面法向量；wi为第一特征点i对应的所述邻域内平面质量度。
10.可选地，通过对所述距离函数的最小值求解，得到更新后的旋转平移矩阵，包括：在所述距离函数为非线性函数的情况下，构建与所述距离函数对应的拉格朗日函数；对所述拉格朗日函数进行最小值求解，确定中间旋转平移矩阵；基于所述中间旋转平移矩阵，确定所述距离函数与所述拉格朗日函数之间的近似程度值；在所述近似程度值大于预设近似程度值阈值的情况下，将所述中间旋转平移矩阵确定为所述更新后的旋转平移矩阵；在所述近似程度值不大于所述预设近似程度值阈值的情况下，更新所述拉格朗日函数，并返回执行所述对所述拉格朗日函数进行最小值求解确定中间旋转平移矩阵的步骤。
11.可选地，构建与所述距离函数对应的拉格朗日函数，包括：通过对所述距离函数进行一阶泰勒展开及引入信赖区优化半径和拉格朗日乘子，构建所述拉格朗日函数；其中，所述在所述近似程度值不大于所述预设近似程度值阈值的情况下，更新所述拉格朗日函数，包括：在所述近似程度值不大于所述预设近似程度值阈值的情况下，更新所述信赖区优化半径。
12.可选地，所述近似程度值基于以下公式而被确定：
其中，ρ为所述近似程度值；j(h2)为f(h2)的一阶导数；δh2为增量；j(h2)
t
为j(h2)的转置；i为所述至少三个第一特征点中的第一特征点的标识；为第一特征点i的坐标；xi′
为与第一特征点i对应的第二特征点的坐标，h2为中间旋转平移矩阵；n
it
为第一特征点i对应的所述邻域内平面法向量。
13.可选地，所述邻域内平面法向量为单位法向量，针对所述至少三个第一特征点中的任一第一特征点，确定所述邻域点云的邻域内平面单位法向量和邻域内平面质量度包括：基于预设协方差矩阵，确定针对所述邻域点云的特征值和特征向量，其中，最小的特征值对应的所述特征向量即为所述邻域内平面单位法向量；以及基于预设邻域内平面质量度公式和所确定的特征值，确定所述邻域内平面质量度。
14.可选地，基于预设邻域内平面质量度公式和所确定的特征值确定所述邻域内平面质量度包括基于以下公式确定邻域内平面质量度：其中，wi为第一特征点i对应的邻域内平面质量度；trace(∑(xi，r))表示预设协方差矩阵的迹；xi表示第一特征点i的坐标；λ3，λ2，λ1为所述预设协方差矩阵的特征值，且λ3≥λ2≥λ1。
15.相应地，本发明实施例的另一方面提供一种激光雷达的外参标定装置，该外参标定装置包括：处理模块，用于：获取在所述云台旋转过程中所述激光雷达采集的初始点云；将所述初始点云分为第一点云集合和第二点云集合，所述第一点云集合和所述第二点云集合至少部分重叠；从所述第一点云集合中确定至少三个第一特征点，并针对每一所述第一特征点确定邻域点云，以及所述邻域点云的邻域内平面法向量和邻域内平面质量度；从所述第二点云集合中确定与所述至少三个第一特征点分别对应的至少三个第二特征点；结合所述邻域内平面法向量和邻域内平面质量度，构建所述至少三个第一特征点与所述至少三个第二特征点之间的距离函数；通过对所述距离函数的最小值求解，得到所述激光雷达三维重建系统的外参标定结果。
16.此外，本发明实施例的另一方面还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的外参标定方法。
17.通过上述技术方案，将初始点云分为第一点云集合和第二点云集合，针对第一点云集合中的至少三个特征点中的每一第一特征点确定邻域点云的邻域内平面法向量和邻域内平面质量度及第二特征点，结合邻域内平面法向量和邻域内平面质量度构建至少三个第一特征点与至少三个第二特征点之间的距离函数，通过对距离函数的最小值求解，得到激光雷达三维重建系统的外参标定结果，如此，实现了标定外参；此外，在实现标定外参时不需要有特定标定物且更加不需要特定标定物位于相邻的帧的重复区域之内，降低了标定操作的复杂性；另外，不需要针对每一帧进行标定，可以避免标定误差累积，降低造成标定失败的几率。
18.本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
19.附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
20.图1是本发明一实施例提供的用于激光雷达的外参标定方法的流程图；
21.图2是本发明另一实施例提供的用于激光雷达的外参标定方法的逻辑示意图；以及
22.图3是云台带动激光雷达转动的示意图。
23.附图标记说明
24.1激光雷达2云台
具体实施方式
25.以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
26.本发明实施例的一个方面提供一种用于激光雷达的外参标定方法。
27.图1是本发明一实施例提供的用于激光雷达的外参标定方法的流程图。
28.其中，激光雷达设置于云台上。如图1所示，该方法包括步骤s10～步骤s15。为便于说明，方法的执行主体可以是处理器。
29.在步骤s10中，获取在云台旋转过程中激光雷达采集的初始点云。例如，激光雷达可以是多线激光雷达。例如，云台可以是水平旋转或者沿其他方向旋转。
30.在步骤s11中，处理器将初始点云分为第一点云集合和第二点云集合，第一点云集合和第二点云集合至少部分重叠。例如，可以根据激光雷达旋转的角度和/或激光雷达的旋转中心到云台的旋转中心的旋转平移矩阵划分。其中，在根据角度进行划分时，可以是将角度平均分，也可以是不平均分，只要能根据角度将初始点云分为两部分且两部分至少部分重叠即可。可选地，根据以下公式确定第一点云集合和第二点云集合，χj表示第一点云集合，χk表示第二点云集合，δ2为激光雷达旋转的角度，rz为按照激光雷达的旋转轴旋转的旋转矩阵，h1表示初始设定的旋转平移矩阵(可以通过测量计算或者常规的标定方式进行粗略标定得到)，r和分别表示激光雷达球体坐标系下的半径和方位角，l表示特征点的坐标。
31.在步骤s12中，从第一点云集合中确定至少三个第一特征点，并针对每一第一特征点确定邻域点云，以及邻域点云的邻域内平面法向量和邻域内平面质量度。此外，针对任一第一特征点，邻域点云为与该第一特征点相邻且距离达到预设距离的特征点组成的集合即为邻域点云。其中，预设距离可以根据具体情况而定。可选地，在本发明实施例中，可以通过k-d树确定领域点云。具体地，通过k-d树对第一点云集合中的第一特征点进行索引；针对任一第一特征点，基于k-d树确定与其相邻的特征点；在相邻的特征点，确定哪些特征点与之的距离达到预设距离，从而确定邻域点云。可选地，在本发明实施例中，针对任一第一特征点，预设距离可以是与该第一特征点相邻的最远的特征点与该第一特征点之间的距离。如此，任一第一特征点确定邻域点云的预设距离是变化的，实现动态选择邻域，解决由于固定
邻域过小造成特征点噪声淹没真实数据，同时避免固定邻域太大造成数据点云特征的丢失。确定邻域点云的邻域内平面法向量和邻域内平面质量度。具体地，可以通过协方差矩阵确定邻域内平面法向量和邻域内平面质量度。
32.在步骤s13中，从第二点云集合中确定与至少三个第一特征点分别对应的至少三个第二特征点。其中，任一第一特征点，对应的第二特征点为第二点云集合中的与该第一特征点属于同一类别的特征点。具体地，可以基于k-d树确定第二特征点。基于针对第一点云集合建立的k-d树，对第二点云集合中的特征点进行归类，从而找到第一点云集合中的第一特征点对应的第二特征点。
33.在步骤s14中，结合邻域内平面法向量和邻域内平面质量度，构建至少三个第一特征点与至少三个第二特征点之间的距离函数。
34.可选地，在本发明实施例中，在距离函数中，针对至少三个第一特征点中的任一第一特征点，以第一距离和第二距离之差为损失及以第一特征点对应的邻域内平面质量度为加权权重，第一距离为第一特征点对应的邻域内平面法向量到第一特征点的距离，第二距离为第一特征点对应的邻域内平面法向量到第一特征点对应的第二特征点的距离。
35.在步骤s15中，通过对距离函数的最小值求解，得到激光雷达三维重建系统的外参标定结果。
36.通过上述技术方案，将初始点云分为第一点云集合和第二点云集合，针对第一点云集合中的至少三个特征点中的每一第一特征点确定邻域点云的邻域内平面法向量和邻域内平面质量度及第二特征点，结合邻域内平面法向量和邻域内平面质量度构建至少三个第一特征点与至少三个第二特征点之间的距离函数，通过对距离函数的最小值求解，得到激光雷达三维重建系统的外参标定结果，如此，实现了标定外参；此外，在实现标定外参时不需要有特定标定物且更加不需要特定标定物位于相邻的帧的重复区域之内，降低了标定操作的复杂性；另外，不需要针对每一帧进行标定，可以避免标定误差累积，降低造成标定失败的几率。
37.可选地，在本发明实施例中，将初始点云分为第一点云集合和第二点云集合，可以包括以下内容。根据初始点云在激光雷达的球坐标系中的分布区域，将初始点云分为第一初始点云集合和第二初始点云集合。可选地，在本发明实施例中，第一初始点云集合对应的分布区域和第二初始点云集合对应的分布区域可以是相互对称的。此外，分布区域的角度可以是90
°
～180
°
。基于设定的旋转平移矩阵，将第一初始点云集合和第二初始点云集合分别转换至云台对应的坐标系中，得到第一点云集合和第二点云集合。可选地，根据以下公式确定第一点云集合和第二点云集合，χj表示第一点云集合，χk表示第二点云集合，δ2为激光雷达旋转的角度，rz为按照激光雷达的旋转轴旋转的旋转矩阵，h1表示设定的旋转平移矩阵，r和分别表示激光雷达球体坐标系下的半径和方位角，l表示特征点的坐标。
38.可选地，在本发明实施例中，通过对距离函数的最小值求解，得到激光雷达三维重建系统的外参标定结果，可以包括以下内容。通过对距离函数的最小值求解，得到更新后的旋转平移矩阵。在不满足迭代结束条件的情况下，以更新后的旋转平移矩阵为设定的旋转
平移矩阵，返回执行基于设定的旋转平移矩阵将第一初始点云集合和第二初始点云集合分别转换至云台对应的坐标系中得到第一点云集合和第二点云集合的步骤。在返回到该步骤后，继续执行后面对应的内容，具体地，可以参照上述的步骤s12-步骤s14及通过对距离函数的最小值求解得到更新后的旋转平移矩阵。在满足迭代结束条件的情况下，将更新后的旋转平移矩阵作为激光雷达三维重建系统的外参标定结果。可选地，在本发明实施例中，迭代结束条件可以根据具体情况而定，例如，可以是预先设置的迭代的次数。通过不断重复，确定旋转平移矩阵，可以使得提升标定外参的准确度。
39.可选地，在本发明实施例中，距离函数为：其中，i为至少三个第一特征点中的第一特征点的标识；为第一特征点i的坐标；xi′
为与第一特征点i对应的第二特征点的坐标，h1为设定的旋转平移矩阵；n
it
为第一特征点i对应的邻域内平面法向量；wi为第一特征点i对应的邻域内平面质量度。此外，第一特征点i对应的邻域内平面法向量为第一特征点i对应的邻域点云的邻域内平面法向量；第一特征点i对应的邻域内平面质量度为第一特征点i对应的邻域点云的邻域内平面质量度。另外，在本发明实施例中，在至少三个第一特征点包括有效特征点的情况下，i为有效特征点的标识。
40.可选地，在本发明实施例中，通过对距离函数的最小值求解，得到更新后的旋转平移矩阵，可以包括以下内容。在距离函数为非线性函数的情况下，构建与距离函数对应的拉格朗日函数。对拉格朗日函数进行最小值求解，确定中间旋转平移矩阵。例如，拉格朗日函数中包括设定的旋转平移矩阵，将拉格朗日函数对h1进行求导(h1表示设定的旋转平移矩阵，δh1为对h1进行增量)，对拉格朗日函数的表达式进行优化，从而求得中间旋转平移矩阵。基于中间旋转平移矩阵，确定距离函数与拉格朗日函数之间的近似程度值。在近似程度值大于预设近似程度值阈值的情况下，将中间旋转平移矩阵确定为更新后的旋转平移矩阵。在近似程度值不大于预设近似程度值阈值的情况下，更新拉格朗日函数，并返回执行对所述拉格朗日函数进行最小值求解确定中间旋转平移矩阵的步骤。其中，在返回到对拉格朗日函数进行最小值求解确定中间旋转平移矩阵后，继续执行计算近似程度值及判断近似程度值与预设近似程度值阈值大小关系的步骤，直到近似程度值大于预设近似程度值阈值。
41.可选地，在本发明实施例中，构建与距离函数对应的拉格朗日函数，可以包括以下内容。通过对距离函数进行一阶泰勒展开及引入信赖区优化半径和拉格朗日乘子，构建拉格朗日函数。其中，在近似程度值不大于预设近似程度值阈值的情况下，更新拉格朗日函数，包括：在近似程度值不大于预设近似程度值阈值的情况下，更新信赖区优化半径。例如，可以根据以下公式更新信赖区优化半径：μ
′
＝kμ，k为常数，μ
′
为更新后的信赖区优化半径，μ为更新前的信赖区优化半径。
42.可选地，在本发明实施例中，近似程度值基于以下公式而被确定：其中，ρ为近似程度值；j(h2)为f(h2)的一阶导数；δh2为增量；j(h2)
t
为j(h2)的转置；i为至少三个第一特征点中的第一特征点的
标识；为第一特征点i的坐标；xi′
为与第一特征点i对应的第二特征点的坐标，h2为中间旋转平移矩阵；n
it
为第一特征点i对应的邻域内平面法向量。
43.值得说明的是，h2和h1均是旋转平移矩阵，在对旋转平移矩阵进行迭代计算的过程中，h2可以更新为h1，或者h1可以更新为h2，两者使用不同的下标，是为了更好地区分在不同的计算阶段对旋转平移矩阵的应用。
44.可选地，在本发明实施例中，邻域内平面法向量为单位法向量，针对至少三个第一特征点中的任一第一特征点，确定邻域点云的邻域内平面单位法向量和邻域内平面质量度可以包括以下内容。基于预设协方差矩阵，确定针对邻域点云的特征值和特征向量，其中，最小的特征值对应的特征向量即为邻域内平面单位法向量。基于预设邻域内平面质量度公式和所确定的特征值，确定邻域内平面质量度。
45.可选地，在本发明实施例中，基于预设邻域内平面质量度公式和所确定的特征值确定邻域内平面质量度包括基于以下公式确定邻域内平面质量度：其中，wi为第一特征点i对应的邻域内平面质量度；trace(∑(xi，r))表示预设协方差矩阵的迹；xi表示第一特征点i的坐标；λ3，λ2，λ1为预设协方差矩阵的特征值，且λ3≥λ2≥λ1。
46.可选地，在本发明实施例中，至少三个第一特征点包括有效特征点，有效特征点为在第一点云集合中的相邻特征点的相邻特征点数大于预设相邻特征点数阈值的特征点。针对第一点云集合中的任一第一特征点，若在第一点云集合中与其相邻的相邻特征点的数量(相邻特征点数)大于预设相邻特征点数阈值，则该特征点为有效特征点。可选地，在本发明实施例中，可以通过针对第一点云集合建立的k-d树来确定某一第一特征点的相邻特征点数。在本发明实施例中，至少三个第一特征点包括有效特征点，实现标定外参为基于有效特征点进行的。
47.下面结合图2和图3对本发明实施例提供的用于激光雷达的外参标定方法进行示例性介绍。在本发明实施例中，针对大场景三维重建系统外参标定问题，提出一种基于360度重叠区域匹配迭代优化的激光雷达三维重建系统外参标定法。首先，控制云台带动多线激光雷达以分辨率1
°
进行360
°
范围内旋转，采集点云数据采集并保存，以180度为分割点将点云分成上下半圆两部分(划分为第一点云集合和第二点云集合，其中，上半圆点云为第一点云集合，下半圆点云为第二点云集合)，利用旋转性质(云台的旋转中心与激光雷达的旋转中心重合，则前后半圆模型一致无偏移)将激光雷达三维重建系统外参标定转换为点云配准算法；其次，在上半圆点云建立k-d树索引，对上半圆点云进行处理，聚类每个特征点的邻域范围实现动态邻域选择，并计算每个特征点的邻域范围内协方差，利用协方差估计出点云聚类平面的邻域内平面法向量，同时使用协方差矩阵的特征值对点云邻域内平面法向量进行平面度评估；最后，通过k-d树索引，寻找前后半圆的对应点，并基于前后对应点，以两点与对应邻域内平面单位法向量的距离之差作为误差，以对应邻域的邻域内平面质量度加权构造出一个似配准的非线性最小二乘的损失函数，通过优化求解得旋转平移矩阵，即旋转式激光雷达重建系统的外参矩阵，通过此类方法可解决无标定物的激光雷达三维重建系统外参标定，实现大场景的重建。其中，多线激光雷达为以发射激光束探测目标的位置、
速度等特征量的雷达系统，其工作原理是通过目标发射测量信号，然后将接到的从目标发射回来的信号与发射信号进行比较，作适当处理后，获取目标有关信息，如目标距离、方位、高度、速度、姿态等参数；三维重建为对三维物体建立适合计算机表示和处理的数学模型，是计算机环境下对其进行处理、操作和分析其性质的基础，是在计算机中建立表达客观世界的虚拟现实的关键技术。
48.下面结合图2和图3对本发明实施例提供的激光雷达三维重建系统外参标定法进行详细介绍。其中，在本发明实施中，硬件系统，如图3所示，云台2带动激光雷达1进行高精度的角分辨率(例如1
°
)旋转，通过控制云台2水平旋转360
°
的同时控制激光雷达1获取大场景的三维点云。激光雷达三维重建系统外参标定法的详细内容如下。
49.s1、激光雷达1点云数据预处理。首先，将激光雷达球体坐标系转换至笛卡尔坐标系，如下式所示：其中，r、θ、分别表示球体坐标系下的半径、极角、方位角，特征点为三维特征点。其次，将激光雷达1扫描过的区域中包括的特征点按照角度分为上半圆点云和下半圆点云，其数学表达形式如式所示：其中，χj表示上半圆点云；χk表示下半圆点云；rz表示按照z轴旋转的旋转矩阵，可通过读取云台串口数据得到旋转的角度；h1表示激光雷达1的旋转中心到云台2的旋转中心的设定的旋转平移矩阵；l表示特征点的三维坐标。最后，按照激光雷达反射率阈值和激光雷达距离阈值(激光雷达测量距离)剔除掉噪声。
50.s2、对上半圆点云建立索引，实现动态邻域选择。基于k-d树(k维欧几里德空间组织点的数据结构)对上半圆点云的数据进行索引，从而在散乱无序的点云找出每个聚类点云的特征点，也就是对上半圆点云中的特征点进行分类并建立索引。针对上半圆点云中的任一第一特征点，通过k-d树查找相邻特征点，判断相邻特征点的相邻特征点数满足是否大于或等于预设相邻特征点数阈值(例如：50)；若满足，则该特征点为有效特征点，然后采用最远距离r作为半径进行搜索，将范围内的所有特征点构成邻域点云，其中，最远距离为距离该特征点最远的相邻特征点与该特征点之间的距离。实现动态邻域选择，解决由于固定邻域过小造成特征点噪声淹没真实数据，同时避免固定邻域太大造成数据点云特征的丢失。
51.s3、根据s1和s2获取上半圆点云和基于k-d树索引得到邻域点云。首先，对s2得到的任一有效特征点的邻域点云，基于预设协方差矩阵求解邻域点云的邻域内平面单位法向量。其中，预设协方差矩阵的数学表达式如下所示：其中，xi表示有效特征点i的坐标；m表示邻域点云集合质心点，数学表示xj表示邻域点云中的特征点j的三维坐标，n(xi，r)表示半径为r的邻域点云内的特征点集合；p(xi，xj；r)表示权值，且p(xi，xj；r)＝1.0/||x
i-xj||2，将邻域点云内的特征点j与对应的有效特征点i的距离的反比作为权值。其次，通过计算当前有效特征点的邻域点云内的预设协方差矩阵
的特征值和特征向量，取最小的特征值对应的特征向量为邻域点云的邻域内平面单位法向量。利用预设邻域内平面质量度公式，求解邻域内平面质量度。其中，预设邻域内平面质量度公式如下：其中λ3，λ2，λ1为上述预设协方差矩阵的特征值，且λ3≥λ2≥λ1，wi表示有效特征点i的邻域内平面质量度，trace(∑(xi，r))表示预设协方差矩阵的迹。
52.s4、根据s1、s2和s3获取的信息，通过已经建立完成的k-d索引树，在下半圆点云中找到上半圆点云中的特征点对应的特征点，也就是，针对上半圆点云中的每一有效特征点，基于k-d索引树，在下半圆点云中找到第二特征点。针对上半圆点云中的任一有效特征点，以该有效特征点对应的邻域点云的邻域内平面法向量到该有效特征点的距离和该邻域内平面法向量到对应的第二特征点的距离之差作为损失，利用该有效特征点对应的邻域点云的邻域内平面质量度作为其加权的权重，构建出非线性最小二乘的目标损失函数(距离函数)，具体如下式所示：其中，为上半圆点云中的有效特征点i的坐标；xi′
为下半圆点云中与有效特征点i对应的第二特征点的坐标；h1为设定的旋转平移矩阵；n
it
为有效特征点i对应的邻域点云的邻域内平面法向量；wi为有效特征点i对应的邻域点云的邻域内平面质量度。在本发明实施例中，使用点与面的关系来构建损失函数，能够使得解算得到的h更准确，且更容易收敛，对场景具有更好的适应能力。
53.s5、根据s4构建的目标损失函数、s1-s3求解的参数，首先，令式在f(h)处进行一阶泰勒展开，加上信赖区优化半径μ，则损失函数式改写如下式所示：argmin{∑iwi||f(h1)+j(h1)
t
*δh1||2}s.t||d*δh1||2≤μ，其中，d为系数矩阵；j(h1)
t
为j(h1)的转置，j(h1)为一阶导数；δh1为增量；s.t表约束条件。其次，通过利用拉格朗日乘子把约束条件放入目标损失函数中，构成拉格朗日函数，具体如下式所示：用拉格朗日乘子把约束条件放入目标损失函数中，构成拉格朗日函数，具体如下式所示：其中，λ为拉格朗日乘子。基于拉格朗日函数，对h1进行求导，优化得到(j(h1)j(h1)
t
+λd
t
d)δh1＝-j(h1)f(h1)，基于该优化得到的式子求解得到中间旋转平移矩阵h2。最后，求解完成之后，根据计算表示目标损失函数和拉格朗日函数之间的近似程度的近似程度值。当计算得到的近似程度值ρ大于预设近似程度值阈值，则判定收敛结束迭代；否则，更新重新构建拉格朗日函数。重复计算得到中间旋转平移矩阵的过程求解得到中间旋转平移矩阵和近似程度值，直至近似程度值ρ大于预设近似程度值阈值，迭代结束，即可输出优化参数h2，该h2即为更新后的旋转平移矩阵。可选地，在本发明实施例中，除了使用拉格朗日乘子，预设梯度下降(高斯-牛顿、l-m等)、奇异值求解或神经网络、机器学习算法来求解预设目标损失函数。
54.s6、在未达到预设迭代次数的情况下，将求解得到的更新后的旋转平移矩阵代替
步骤s1中的上半圆点云和下半圆点云中的设定的旋转平移矩阵，重新划分上半圆点云和下半圆点云，重复步骤s2-s5，不断迭代直至完成预设迭代次数(迭代中止条件)，输出最优的旋转平移矩阵。
55.综上所述，本发明实施例提供了适用于大场景重建旋转式多线激光雷达的外参数标定方法，具体地包括以下几个方面。1)提供了一种无需标定场景中含有特定标定物(标定靶或标定球)的基于激光雷达的三维重建系统的外参标定方法。通过结合云台高精度角度的先验信息，将采集360度的点云，按照角度划分为上半圆点云和下半圆点云，利用旋转特性将激光雷达三维重建系统外参标定问题转换为上、下半圆特征配准算法，进而求解多线束激光雷达外参的旋转平移矩阵，简化了标定过程，提高了激光雷达三维重建系统外参标定的效率，提高算法的实用性，具备较为广阔的应用前景。2)基于云台旋转带动激光雷达对大场景进行重建系统，所用激光雷达无需高线束激光雷达(96或128线束)成本较低，提高了该方法的实用性。3)采用k-d树对点云进行索引，并利用k-d树的点云范围搜索计算出每个三维点的邻域点云，实现动态邻域范围选择。通过动态邻域代替固定的邻域，减少因固定邻域过小造成特征点噪声淹没真实数据，同时避免固定邻域太大造成数据点云特征的丢失。4)采用点到平面和对应点到平面的距离之差(特征值)作为损失函数输入，相对于点到对应点之间的距离之差作为损失函数输入，鲁棒性更强，避免损失函数陷入过拟合状态。5)采用邻域内平面质量度对聚类出的点云平面度进行有效性评估，并引入点云配准的损失函数，通过对点和对应点到平面的距离误差进行加权，减少聚类的点云平面度较低时对损失函数的贡献，同时提高算法的收敛性。
56.相应地，本发明实施例的另一方面提供一种用于激光雷达的外参标定装置，该装置包括：处理模块，用于：获取在所述云台旋转过程中所述激光雷达采集的初始点云；将初始点云分为第一点云集合和第二点云集合，第一点云集合和第二点云集合至少部分重叠；从第一点云集合中确定至少三个第一特征点，并针对每一第一特征点确定邻域点云，以及邻域点云的邻域内平面法向量和邻域内平面质量度；从第二点云集合中确定与至少三个第一特征点分别对应的至少三个第二特征点；结合邻域内平面法向量和邻域内平面质量度，构建至少三个第一特征点与至少三个第二特征点之间的距离函数；通过对距离函数的最小值求解，得到激光雷达三维重建系统的外参标定结果。
57.可选地，在本发明实施例中，将初始点云分为第一点云集合和第二点云集合，包括：根据初始点云在激光雷达的球坐标系中的分布区域，将初始点云分为第一初始点云集合和第二初始点云集合；基于设定的旋转平移矩阵，将第一初始点云集合和第二初始点云集合分别转换至云台对应的坐标系中，得到第一点云集合和第二点云集合。
58.可选地，在本发明实施例中，通过对距离函数的最小值求解，得到激光雷达三维重建系统的外参标定结果，包括：通过对距离函数的最小值求解，得到更新后的旋转平移矩阵；在不满足迭代结束条件的情况下，以更新后的旋转平移矩阵为设定的旋转平移矩阵，返回执行基于设定的旋转平移矩阵将第一初始点云集合和第二初始点云集合分别转换至云台对应的坐标系中得到第一点云集合和第二点云集合的步骤；在满足迭代结束条件的情况下，将更新后的旋转平移矩阵作为激光雷达三维重建系统的外参标定结果。
59.可选地，在本发明实施例中，在距离函数中，针对至少三个第一特征点中的任一第一特征点，以第一距离和第二距离之差为损失及以第一特征点对应的邻域内平面质量度为
加权权重，第一距离为第一特征点对应的邻域内平面法向量到第一特征点的距离，第二距离为第一特征点对应的邻域内平面法向量到第一特征点对应的第二特征点的距离。
60.可选地，在本发明实施例中，距离函数为：其中，i为至少三个第一特征点中的第一特征点的标识；为第一特征点i的坐标；xi′
为与第一特征点i对应的第二特征点的坐标，h1为设定的旋转平移矩阵；n
it
为第一特征点i对应的邻域内平面法向量；wi为第一特征点i对应的邻域内平面质量度。
61.可选地，在本发明实施例中，通过对距离函数的最小值求解，得到更新后的旋转平移矩阵，包括：在距离函数为非线性函数的情况下，构建与距离函数对应的拉格朗日函数；对拉格朗日函数进行最小值求解，确定中间旋转平移矩阵；基于中间旋转平移矩阵，确定距离函数与所述拉格朗日函数之间的近似程度值；在近似程度值大于预设近似程度值阈值的情况下，将中间旋转平移矩阵确定为更新后的旋转平移矩阵；在近似程度值不大于预设近似程度值阈值的情况下，更新拉格朗日函数，并返回执行对拉格朗日函数进行最小值求解确定中间旋转平移矩阵的步骤。
62.可选地，在本发明实施例中，构建与距离函数对应的拉格朗日函数，包括：通过对距离函数进行一阶泰勒展开及引入信赖区优化半径和拉格朗日乘子，构建拉格朗日函数；其中，在近似程度值不大于预设近似程度值阈值的情况下，更新拉格朗日函数，包括：在近似程度值不大于预设近似程度值阈值的情况下，更新信赖区优化半径。
63.可选地，在本发明实施例中，近似程度值基于以下公式而被确定：其中，ρ为近似程度值；j(h2)为f(h2)的一阶导数；δh2为增量；j(h2)
t
为j(h2)的转置；i为至少三个第一特征点中的第一特征点的标识；为第一特征点i的坐标；xi′
为与第一特征点i对应的第二特征点的坐标，h2为中间旋转平移矩阵；n
it
为第一特征点i对应的邻域内平面法向量。
64.可选地，在本发明实施例中，邻域内平面法向量为单位法向量，针对至少三个第一特征点中的任一第一特征点，确定邻域点云的邻域内平面单位法向量和邻域内平面质量度包括：基于预设协方差矩阵，确定针对邻域点云的特征值和特征向量，其中，最小的特征值对应的特征向量即为邻域内平面单位法向量；以及基于预设邻域内平面质量度公式和所确定的特征值，确定邻域内平面质量度。
65.可选地，在本发明实施例中，基于预设邻域内平面质量度公式和所确定的特征值确定邻域内平面质量度包括基于以下公式确定邻域内平面质量度：其中，wi为第一特征点i对应的邻域内平面质量度；trace(∑(xi，r))表示预设协方差矩阵的迹；xi表示第一特征点i的坐标；λ3，λ2，λ1为预设协方差矩阵的特征值，且λ3≥λ2≥λ1。
66.本发明实施例提供的用于激光雷达的外参标定装置的具体工作原理及益处与本发明实施例提供的用于激光雷达的外参标定方法的具体工作原理及益处相似，这里将不再赘述。
67.此外，本发明实施例的另一方面还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行上述实施例中所述的外参标定方法。
68.以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
69.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
70.此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

技术特征：
1.一种用于激光雷达的外参标定方法，所述激光雷达设置于云台上，其特征在于，该外参标定方法包括：获取在所述云台旋转过程中所述激光雷达采集的初始点云；将所述初始点云分为第一点云集合和第二点云集合，所述第一点云集合和所述第二点云集合至少部分重叠；从所述第一点云集合中确定至少三个第一特征点，并针对每一所述第一特征点确定邻域点云，以及所述邻域点云的邻域内平面法向量和邻域内平面质量度；从所述第二点云集合中确定与所述至少三个第一特征点分别对应的至少三个第二特征点；结合所述邻域内平面法向量和邻域内平面质量度，构建所述至少三个第一特征点与所述至少三个第二特征点之间的距离函数；通过对所述距离函数的最小值求解，得到所述激光雷达三维重建系统的外参标定结果。2.根据权利要求1所述的外参标定方法，其特征在于，将所述初始点云分为第一点云集合和第二点云集合，包括：根据所述初始点云在所述激光雷达的球坐标系中的分布区域，将所述初始点云分为第一初始点云集合和第二初始点云集合；基于设定的旋转平移矩阵，将所述第一初始点云集合和所述第二初始点云集合分别转换至所述云台对应的坐标系中，得到所述第一点云集合和所述第二点云集合。3.根据权利要求2所述的外参标定方法，其特征在于，通过对所述距离函数的最小值求解，得到所述激光雷达三维重建系统的外参标定结果，包括：通过对所述距离函数的最小值求解，得到更新后的旋转平移矩阵；在不满足迭代结束条件的情况下，以所述更新后的旋转平移矩阵为设定的旋转平移矩阵，返回执行基于设定的旋转平移矩阵将所述第一初始点云集合和所述第二初始点云集合分别转换至所述云台对应的坐标系中得到所述第一点云集合和所述第二点云集合的步骤；在满足迭代结束条件的情况下，将所述更新后的旋转平移矩阵作为所述激光雷达三维重建系统的外参标定结果。4.根据权利要求1所述的外参标定方法，其特征在于，在所述距离函数中，针对所述至少三个第一特征点中的任一第一特征点，以第一距离和第二距离之差为损失及以所述第一特征点对应的所述邻域内平面质量度为加权权重，所述第一距离为所述第一特征点对应的所述邻域内平面法向量到所述第一特征点的距离，所述第二距离为所述第一特征点对应的所述邻域内平面法向量到所述第一特征点对应的第二特征点的距离。5.根据权利要求4所述的外参标定方法，其特征在于，所述距离函数为：其中，i为所述至少三个第一特征点中的第一特征点的标识；为第一特征点i的坐标；x
i
′
为与第一特征点i对应的第二特征点的坐标，h1为设定的旋转平移矩阵；
n
it
为第一特征点i对应的所述邻域内平面法向量；w
i
为第一特征点i对应的所述邻域内平面质量度。6.根据权利要求3所述的外参标定方法，其特征在于，通过对所述距离函数的最小值求解，得到更新后的旋转平移矩阵，包括：在所述距离函数为非线性函数的情况下，构建与所述距离函数对应的拉格朗日函数；对所述拉格朗日函数进行最小值求解，确定中间旋转平移矩阵；基于所述中间旋转平移矩阵，确定所述距离函数与所述拉格朗日函数之间的近似程度值；在所述近似程度值大于预设近似程度值阈值的情况下，将所述中间旋转平移矩阵确定为所述更新后的旋转平移矩阵；在所述近似程度值不大于所述预设近似程度值阈值的情况下，更新所述拉格朗日函数，并返回执行所述对所述拉格朗日函数进行最小值求解确定中间旋转平移矩阵的步骤。7.根据权利要求6所述的外参标定方法，其特征在于，构建与所述距离函数对应的拉格朗日函数，包括：通过对所述距离函数进行一阶泰勒展开及引入信赖区优化半径和拉格朗日乘子，构建所述拉格朗日函数；其中，所述在所述近似程度值不大于所述预设近似程度值阈值的情况下，更新所述拉格朗日函数，包括：在所述近似程度值不大于所述预设近似程度值阈值的情况下，更新所述信赖区优化半径。8.根据权利要求7所述的外参标定方法，其特征在于，所述近似程度值基于以下公式而被确定：被确定：其中，ρ为所述近似程度值；j(h2)为f(h2)的一阶导数；δh2为增量；j(h2)
t
为j(h2)的转置；i为所述至少三个第一特征点中的第一特征点的标识；为第一特征点i的坐标；x
i
′
为与第一特征点i对应的第二特征点的坐标，h2为中间旋转平移矩阵；n
it
为第一特征点i对应的所述邻域内平面法向量。9.根据权利要求1所述的外参标定方法，其特征在于，所述邻域内平面法向量为单位法向量，针对所述至少三个第一特征点中的任一第一特征点，确定所述邻域点云的邻域内平面单位法向量和邻域内平面质量度包括：基于预设协方差矩阵，确定针对所述邻域点云的特征值和特征向量，其中，最小的特征值对应的所述特征向量即为所述邻域内平面单位法向量；以及基于预设邻域内平面质量度公式和所确定的特征值，确定所述邻域内平面质量度。10.根据权利要求9所述的外参标定方法，其特征在于，基于预设邻域内平面质量度公式和所确定的特征值确定所述邻域内平面质量度包括基于以下公式确定邻域内平面质量度：
其中，w
i
为第一特征点i对应的邻域内平面质量度；trace(∑(x
i
，r)表示预设协方差矩阵的迹；x
i
表示第一特征点i的坐标；λ3，λ2，λ1为所述预设协方差矩阵的特征值，且λ3≥λ2≥λ1。11.一种激光雷达的外参标定装置，其特征在于，该外参标定装置包括：处理模块，用于：获取在所述云台旋转过程中所述激光雷达采集的初始点云；将所述初始点云分为第一点云集合和第二点云集合，所述第一点云集合和所述第二点云集合至少部分重叠；从所述第一点云集合中确定至少三个第一特征点，并针对每一所述第一特征点确定邻域点云，以及所述邻域点云的邻域内平面法向量和邻域内平面质量度；从所述第二点云集合中确定与所述至少三个第一特征点分别对应的至少三个第二特征点；结合所述邻域内平面法向量和邻域内平面质量度，构建所述至少三个第一特征点与所述至少三个第二特征点之间的距离函数；通过对所述距离函数的最小值求解，得到所述激光雷达三维重建系统的外参标定结果。12.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至10中任一项所述的外参标定方法。

技术总结
本发明涉及人工智能领域，公开了一种用于激光雷达的外参标定方法和装置及机器可读存储介质，该外参标定方法包括：获取在云台旋转过程中激光雷达采集的初始点云；将初始点云分为第一点云集合和第二点云集合；从第一点云集合中确定至少三个第一特征点并针对每一第一特征点确定邻域点云以及邻域点云的邻域内平面法向量和邻域内平面质量度；从第二点云集合中确定与至少三个第一特征点分别对应的至少三个第二特征点；结合邻域内平面法向量和邻域内平面质量度构建至少三个第一特征点与至少三个第二特征点之间的距离函数；通过对距离函数的最小值求解得到激光雷达三维重建系统的外参标定结果。藉此，实现了标定外参，且降低了标定操作的复杂性。标定操作的复杂性。标定操作的复杂性。


技术研发人员：付玲 成超鹏 刘延斌 赵键 范卿 于晓颖 胡敏
受保护的技术使用者：中联重科股份有限公司
技术研发日：2023.06.15
技术公布日：2023/9/7