一种基于EKF算法框架的车体激光雷达外参标定方法与流程

测量装置的制造及其应用技术一种基于ekf算法框架的车体激光雷达外参标定方法技术领域1.本发明涉及智能驾驶系统传感器安装外参标定技术，具体涉及一种基于ekf算法框架的车体激光雷达外参标定方法。背景技术：2.现有智能驾驶系统中，将激光雷达坐标系与ins（惯性导航系统）/gnss（全球导航卫星系统）组合导航系统坐标系进行标定统一，往往采用手眼标定模型算法，过程为：将载有激光雷达和ins/gnss组合导航系统的车辆沿着s弯或者8字型曲线运行，选择中间几个点停止，记录组合导航系统的全局位姿数据，同时记录对应的激光位姿数据；基于静止点位位姿数据，计算相邻时刻激光位姿增量和组合导航系统位姿增量数据；构建基于位姿增量数据的手眼标定方程，基于最小二乘或者非线性优化算法求解组合导航系统与激光雷达坐标系之间的坐标转换矩阵。然而，使用该方法进行激光雷达外参标定存在以下不足：1）ins/gnss组合导航系统静止点位的精度依赖于gnss定位数据精度，而gnss定位极易受到建筑物遮挡影响，因此标定场景的选取只能在室外开阔场景，同时又必须满足激光雷达定位需求；2）ins/gnss组合导航系统输出数据在应用于外参标定之前，需先开启运行一段时间，使ins/gnss融合输出数据完全收敛才能应用于外参标定；3）组合导航系统坐标系并不代表车体坐标系，将激光雷达坐标系统一到车体坐标系还需依赖组合导航系统坐标系与车体坐标系之间的标定精度。技术实现要素：3.针对传统激光雷达安装外参标定相关问题，本发明提供一种基于ekf算法框架的车体激光雷达外参标定方法。4.一种基于ekf算法框架的车体激光雷达外参标定方法，imu模块安装固定于后轮中心点且imu坐标系与车体坐标系对齐，通过imu模块输出的三轴角速率数据和车辆后轮轮速数据，联合解算输出基于车体坐标系的位姿增量数据；通过激光雷达点云icp实时解算输出基于激光雷达坐标系的位姿增量数据；以激光雷达相对车体的安装参数（包括激光雷达相对于车体的姿态偏差和位移偏差）作为ekf算法待估状态，将车体系imu/轮速联合解算输出的位姿增量数据和激光雷达点云匹配实时解算输出的位置增量数据作为ekf量测，进行基于ekf算法的实时在线/离线估计，最终得到激光雷达相对车体的安装参数的最优估计值。5.所述的方法，imu模块安装固定于后轮中心点且imu坐标系与车体坐标系对齐，通过imu模块输出的三轴角速率数据和车辆后轮轮速数据，联合解算输出基于车体坐标系的位姿增量数据，在imu和轮速联合解算时只需对imu模块进行水平倾斜角补偿即可。6.所述的方法，通过激光雷达点云icp实时解算输出基于激光雷达坐标系的位姿增量数据。7.所述的方法，在基于ekf算法框架下，以激光雷达相对车体的安装参数（包括激光雷达相对于车体的姿态偏差和位移偏差）作为ekf算法待估状，在ekf状态方程设计过程中将待估状态按常量设置；所述的方法，将车体系imu/轮速联合解算输出的位置增量数据作为ekf滤波器第一组观测量，与激光雷达点云匹配实时解算输出的位置增量数据构建第一组观测方程；所述的方法，将车体系imu/轮速联合解算输出的姿态增量数据作为ekf滤波器第二组观测量，和激光雷达点云匹配实时解算输出的姿态增量数据构建第二组观测方程，该组观测方程视计算机算力情况为可选项。8.所述的方法，步骤如下：步骤（1）imu模块和激光雷达安装固定于车辆对应位置后，首先需对imu模块进行静态水平安装倾角标定，通过车辆静止状态下收集imu模块加速度计数据与重力加速度对比计算即可完成水平倾角标定补偿；步骤（2）完成imu水平倾角标定后，车辆以1~5m/s左右的速度绕8字轨迹运行，通过imu模块和轮速联合解算输出基于车体坐标系的位姿增量数据，通过激光雷达点云icp算法实时解算输出基于激光雷达坐标系的位姿增量数据，保存数据；步骤（3）基于ekf算法框架，以激光雷达相对于车体的姿态偏差和位移偏差作为ekf算法待估状态，以车体系imu/轮速联合解算输出的位置增量数据和激光雷达点云匹配实时解算输出的位置增量数据构建ekf滤波器第一组观测量及观测方程，以车体系imu/轮速联合解算输出的姿态增量数据和激光雷达点云匹配实时解算输出的姿态增量数据构建ekf滤波器第二组观测量及观测方程，基于ekf算法流程完成激光雷达相对车体坐标系的外参估计。9.本发明的有益效果：1）基于水平倾角补偿后的imu角速度数据和轮速速度数据联合解算的位姿增量为直接相对于车体坐标系下的增量数据，通过与激光坐标系位姿增量联合解算标定，可直接将激光雷达坐标系转换至车体系而非imu坐标系。10.2）激光雷达与车体坐标系标定不需要依赖gnss，因此不必考虑标定场景的建筑物遮挡，可在室内环境操作。11.3）基于ekf标定算法框架不仅可适用于离线标定过程，同时也适用于在线标定过程，即在车辆运行过程中持续实时利用车辆运行过程中位姿增量数据, 不断优化迭代安装参数估计值, 在此基础上定期更新安装标定参数可有效解决在运行过程产生由于振动、支架老化等因素引起的激光雷达坐标系偏移问题。附图说明12.图1为imu在车体安装位置及车体坐标系示意图。13.图2为基于ekf算法框架的车体激光雷达外参标定的一种原理框图。具体实施方式14.为了使本发明的目的、技术方案及优点更加清楚，以下结合附图和实施例对本发明做进一步的阐述。15.如图1所示，一种基于ekf算法框架的车体/激光雷达外参标定方法，在该方法中，imu模块安装固定于后轮中心点且imu坐标系与车体坐标系要求基本对齐即可。16.如图2所示，在本实例中，imu模块安装固定于后轮中心点且imu坐标系与车体坐标系对齐，通过imu模块输出的三轴角速率数据和车辆后轮轮速数据，联合解算输出基于车体坐标系的位姿增量数据；通过激光雷达点云icp实时解算输出基于激光雷达坐标系的位姿增量数据；以激光雷达相对车体的安装参数（包括激光雷达相对于车体的姿态偏差和位移偏差）作为ekf算法待估状态，将车体系imu/轮速联合解算输出的位姿增量数据和激光雷达点云匹配实时解算输出的位置增量数据作为ekf量测，进行基于ekf算法的实时在线/离线估计，最终得到激光雷达相对车体的安装参数的最优估计值。17.在本实例中，imu模块安装固定于后轮中心点且imu坐标系与车体坐标系对齐，通过imu模块输出的三轴角速率数据和车辆后轮轮速数据，联合解算输出基于车体坐标系的位姿增量数据，具体原理如下：基于k时刻imu角速度wx、wy、wz轮速数据vabs，将k时刻位姿递推至k+1时刻，姿态角更新如下：位置更新如下:γk，θk，ψk为k时刻车辆相对参考系的横滚角、俯仰角、航向角，xk，yk，zk为k时刻车辆相对参考系的位置，δt为时间增量，则可得k、k+1时刻之间的基于车体系的位姿增量为：其中，rk为k时刻姿态欧拉角对应的方向余弦矩阵：tk为k时刻位置： δri、δti为车体系下姿态方向余弦增量和位置增量。18.在本实例中，通过激光雷达点云icp实时解算输出基于激光雷达坐标系的位姿增量数据，姿态增量数据为δri、位置增量数据为δti，位姿增量对应的前后时刻必须与基于imu/轮速联合解算对应的位姿增量前后时刻准确对齐；在本实例中，在基于ekf算法框架下，以激光雷达相对车体的安装参数（包括激光雷达相对于车体的姿态偏差和位移偏差）作为ekf算法待估状，在ekf状态方程设计过程中将待估状态按常量设置，状态方程如下：其中为激光雷达与车体系之间安装偏差角，为激光雷达与车体之间的安装位置误差。19.在本实例中，将车体系imu/轮速联合解算输出的位置增量数据作为ekf滤波器第一组观测量，与激光雷达点云匹配实时解算输出的位置增量数据构建第一组观测方程，具体原理如下：其中为imu/轮速联合解算姿态角增量，为激光里程计解算的姿态角增量。20.在本实例中，将车体系imu/轮速联合解算输出的姿态增量数据作为ekf滤波器第二组观测量，和激光雷达点云匹配实时解算输出的姿态增量数据构建第二组观测方程，该组观测方程视计算机算力情况为可选项。21.通过ekf算法流程可对标定参数进行有效估计，本实例涉及的ekf算法流程如下：假设通过线性离散化后的组合定位系统的状态方程和量测方程为：状态方程：量测方程：状态噪声方差阵和量测噪声方差阵：系统离散化后可得系统矩阵： 系统噪声驱动矩阵：，量测矩阵：，结合状态噪声矩阵和量测噪声矩阵，卡尔曼滤波算法过程如下：状态预估：协方差预估：最优增益计算：状态最优估计：协方差最优估计：。22.本实施涉及具体步骤如下：步骤（1）imu模块和激光雷达安装固定于车辆对应位置后，首先需对imu模块进行静态水平安装倾角标定，通过车辆静止状态下收集imu模块加速度计数据与重力加速度对比计算即可完成水平倾角标定补偿；步骤（2）完成imu水平倾角标定后，车辆以1~5m/s左右的速度绕8字轨迹运行，通过imu模块和轮速联合解算输出基于车体坐标系的位姿增量数据，通过激光雷达点云icp算法实时解算输出基于激光雷达坐标系的位姿增量数据，保存数据；步骤（3）基于ekf算法框架，以激光雷达相对于车体的姿态偏差和位移偏差作为ekf算法待估状态，以车体系imu/轮速联合解算输出的位置增量数据和激光雷达点云匹配实时解算输出的位置增量数据构建ekf滤波器第一组观测量及观测方程，以车体系imu/轮速联合解算输出的姿态增量数据和激光雷达点云匹配实时解算输出的姿态增量数据构建ekf滤波器第二组观测量及观测方程，基于ekf算法流程完成激光雷达相对车体坐标系的外参估计。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!