车载激光雷达的标定方法、装置及设备与流程

1.本技术涉及传感器标定技术领域，尤其涉及一种车载激光雷达的标定方法、装置及设备。

背景技术：

2.车载激光雷达在智能网联汽车、自动驾驶汽车上被广泛应用，如何对其进行快速、准确的标定一直是研究人员关注的问题。
3.车载激光雷达的精确标定是自动驾驶车辆准确感知外部环境的基础，车载激光雷达的标定精度越高，点云数据对环境的反映越准确。目前主要通过如下方法对激光雷达的标定：使用激光雷达录制一段数据再通过点云配准算法进行离线参数计算或者将车按特定的位姿停放好，再利用标定物对激光雷达进行标定等，这些方法对于激光雷达标定步骤繁琐且复杂，且需要专业人员进行操作，使得激光雷达外参标定准确度和效率较低，难以满足批量生产的自动驾驶车辆的车载激光雷达标定的工作需求。

技术实现要素：

4.鉴于上述问题，本技术提供一种车载激光雷达的标定方法、装置及设备，用以解决目前车载激光雷达标定方式效率和准确率低的问题。
5.为了实现上述目的，本技术提供如下技术方案：
6.根据本技术的第一方面，提供一种车载激光雷达的标定方法，包括：
7.对车载激光雷达的原始点云进行粗标定；
8.基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云；
9.基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数；
10.基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数。
11.在一种实施方式中，所述基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云，包括：
12.将经过粗标定后的原始点云进行第一处理，得到所述车载激光雷达对应的地面点云和非地面点云；其中，所述第一处理包括降采样处理和去地面处理。
13.在一种实施方式中，所述将经过粗标定后的原始点云进行第一处理，包括：
14.对经过粗标定后的原始点云进行降采样；
15.将经过降采样的点云栅格化，并计算每个栅格内所有点与预设范围内点云的最大高度差；
16.若所述最大高度差大于预设阈值，则将栅格内所有点记为非地面点云；
17.若所述最大高度差不大于预设阈值，则将栅格内所有点记为地面点云。
18.在一种实施方式中，所述基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数，包括：
19.将所述地面点云进行平面拟合，并获取经过平面拟合后的地面点云的法向量；
20.基于所述法向量获取所述车载激光雷达的翻滚角参数和俯仰角参数。
21.在一种实施方式中，所述将所述地面点云进行平面拟合，并获取经过平面拟合后的地面点云的法向量，包括：
22.在所述地面点云中设置若干第一感兴趣区；
23.分别从所述若干第一感兴趣区内随机选择点云，并基于所述点云估算平面拟合的基准方程；
24.获取所述基准方程范围内的点云数量；
25.若未达到最大迭代次数，则返回执行分别从所述若干第一感兴趣区内随机选择点云的步骤；
26.若达到最大迭代次数，则从每次迭代得到的基准方程中选择出基准方程范围内的点云数量最大的基准方程，并基于所述点云数量最大的基准方程获取地面点云的法向量。
27.在一种实施方式中，所述基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数，包括：
28.基于第一外参对所述非地面点云进行旋转，所述第一外参包括用于对所述原始点云进行粗标定的初始偏航角参数以及所述翻滚角参数和所述俯仰角参数；
29.基于若干第二感兴趣区对经过旋转后的非地面点云进行分割，得到车辆点云；
30.将所述车辆点云转化成图像，并基于图像处理算法对所述图像进行第二处理，得到车辆轮廓及对应的朝向；
31.基于车辆轮廓及对应的朝向获取所述激光雷达的偏航角参数；
32.基于第二外参计算所述第二感兴趣区点云的平均高度，得到所述车载激光雷达的高度参数，所述第二外参包括所述翻滚角参数、所述俯仰角参数和所述偏航角参数。
33.在一种实施方式中，所述将所述车辆点云转化成图像，并基于图像处理算法对所述图像进行第二处理，得到车辆轮廓及对应的朝向，包括：
34.将所述车辆点云投影到所述激光雷达的坐标系xy平面上，生成鸟瞰图像；
35.基于凸包计算函数对所述鸟瞰图像中的二维点云进行凸包计算，得到关于车辆的多个角点对应的多边形；
36.分别计算所述多边形每条边的长度及其对应的包围盒的高度；
37.从每条边对应的包围盒中选择包围盒面积最小的包围盒作为所述车辆的轮廓，并选择所述轮廓对应的边和高的长度中更长的方向作为车辆朝向。
38.在一种实施方式中，在对车载激光雷达的原始点云进行粗标定之前，还包括：
39.选定符合预设条件的水平道路，以使车载激光雷达能够采集到车辆的原始点云；
40.获取所述车载激光雷达采集的原始点云。
41.根据本技术的第二方面，提供一种车载激光雷达的标定装置，包括：
42.粗标定模块，其设置为对车载激光雷达的原始点云进行粗标定；
43.获取模块，其设置为基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云；
44.第一细标定模块，其设置为基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数；
45.第二细标定模块，基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数。
46.根据本技术的第三方面，提供一种电子设备，包括：存储器和处理器；
47.所述存储器存储计算机执行指令；
48.所述处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行所述的车载激光雷达的标定方法。
49.可以理解的，本技术提供的车载激光雷达的标定方法、装置及设备，通过对激光雷达外参进行粗标定，并对经过粗标定的原始点云降采样、分割地面，提取路面点云和车辆自身点云，拟合水平路面及车辆朝向，以计算车载激光雷达外参，其标定过程简单、高效、操作流程简单，能自动化对激光雷达进行高效标定，有效提高了车载激光雷达标定的效率及准确度。
附图说明
50.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本技术的实施例，并与说明书一起用于解释本技术的原理。
51.图1为本技术实施例提供的一种可能的场景示意图；
52.图2为本技术实施例提供的一种车载激光雷达的标定方法的流程示意图；
53.图3为本技术实施例中车载激光雷达安装位置的示意图；
54.图4为本技术实施例中拟合平面的感兴趣区域的示意图；
55.图5为本技术实施例中拟合车身轮廓及朝向的示意图；
56.图6为本技术实施例提供的一种车载激光雷达的标定装置的结构示意图；
57.图7为本技术实施例提供的一种电子设备的结构示意图。
58.通过上述附图，已示出本技术明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本技术构思的范围，而是通过参考特定实施例为本领域技术人员说明本技术的概念。
具体实施方式
59.在介绍本技术的实施例之前，首先对本技术实施例的技术背景进行解释：相关技术中，自动驾驶车辆感知系统中的激光雷达模块由一个或多个车载激光雷达组成，对车身周围的环境进行感知。但为了对多激光雷达之间或激光雷达与其他传感器之间的数据融合，需要将激光雷达等传感器的数据统一转换到同一个坐标系下，一般转换到车体坐标系下，此时需要对各激光雷达的坐标系与车体坐标系之间的旋转平移关系进行标定，可用旋转矩阵r和平移向量t来表示。但目前的激光雷达标定步骤繁琐且复杂，且需要专业人员进行操作，不仅没有形成标准化、自动化的标定方法，而且手动标定的准确度和效率较低，无法满足批量生产的自动驾驶车辆的激光雷达标定工作需求。
60.针对上述技术问题，本技术实施例提供了一种车载激光雷达的标定方法、装置及设备，通过对激光雷达外参进行粗标定，通过对经过粗标定的原始点云降采样、分割地面，提取路面点云和车辆自身点云，拟合地面点云及车辆朝向，以计算车载激光雷达外参，其标定过程简单、高效、操作流程简单，能自动化对激光雷达进行高效标定，有效提高了车载激
光雷达标定的效率及准确度。
61.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术的实施例中的附图，对本技术实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的部件或具有相同或类似功能的部件。所描述的实施例是本技术一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本技术，而不能理解为对本技术的限制。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
62.图1为本技术实施例提供的一种可能的场景示意图，如图1所示，包括服务器110和车载激光雷达120，服务器110和车载激光雷达120之间通过有线或者无线网络相互连接。在一些实施例中，车载激光雷达120用于向服务器110提供其采集的原始点云数据，服务器110用于基于车载激光雷达120提供的原始点云数据，对原始点云进行外参标定。可选地，车载激光雷达120可以为一个或者多个，在进行外参标定的过程中，服务器110可以承担主要计算工作或者全部计算工作。
63.其中，服务器110可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(content delivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
64.车载激光雷达120，又称车载三维激光扫描仪，可用于采集点云数据，是一种移动型三维激光扫描系统，是城市建模的最有效的工具之一，为了对多激光雷达之间或激光雷达与其他传感器之间的数据融合，需要将激光雷达等传感器的数据统一转换到同一个坐标系下，一般转换到车体坐标系下，此时需要对各激光雷达的坐标系与车体坐标系之间的旋转平移关系进行标定。
65.可选地，上述服务器110或车载激光雷达120的数量可以更多或更少，本技术实施例对此不加以限定。在一些实施例中，上述服务器110和车载激光120可以安装在同一智能车辆中。
66.上面对本技术的场景示意图进行了简单说明，下面以应用于图1中的服务器120为例，来详细说明本技术实施例提供的车载激光雷达的标定方法。
67.请参照图2，图2为本技术实施例提供根据本技术的第一方面，提供一种车载激光雷达的标定方法的流程示意图，所述方法包括步骤s201-s204。
68.步骤s201、对车载激光雷达的原始点云进行粗标定。
69.在一种可实现中，粗标定的方式可以为利用安装在车辆左前方的车载激光雷达采集一段车辆匀速行驶的点云簇，本实例中的车载激光雷达以velodyne 32线激光雷达为例，其垂直扫描角度为30度水平扫描角度为360度，转速为10hz.具体安装方法为，x轴与车辆行驶方向向左偏45度，y轴与车辆行驶方向向左偏135度，z轴垂直于车辆所在水平面，坐标原点为车辆后轴中心落在地平面的交点。其中，车载激光雷达的安装示意图如图3所示，其中左边部分为正视图，右边部分为俯视图。
70.通过该车载激光雷达采集到的原始点云簇为包含x，y，z(车载激光雷达坐标系)三个坐标的点集，对采集到的点云通过手动测量大致估算出激光雷达相对于路面的姿态角，包括航向角、俯仰角、翻滚角等，估算出的这些参数作为标定的初始参数，参考此初始参数
可以将原始点云投影到真实坐标系(车体坐标系)中。
71.进一步地，为了提高车载激光雷达标定的准确性，在采集原始点云时考虑了原始点云的准确率，具体地，在对车载激光雷达的原始点云进行粗标定之前，还包括以下步骤：
72.选定符合预设条件的水平道路，以使车载激光雷达能够采集到车辆的原始点云；以及，获取所述车载激光雷达采集的原始点云。
73.示例性的，可选定一条长30米，宽度超过10米的水平道路，并且场地上无其他障碍物干扰，然后利用车辆上已安装固定好位置的激光雷达采集一段原始点云。
74.需要说明的是，本领域技术人员可以结合实际应用对预设条件进行适应性设定，例如，选定无障碍物干扰的水平道路，即水平道路上除了车辆之外无其它障碍物，并且车载激光雷达可检测到车辆侧面轮廓，以保障车载激光雷达能够采集到车辆的原始点云，并尽量排除车载激光雷达采集到的车辆的原始点云中没有障碍物干扰因素，以提高激光雷达标定精确率。
75.步骤s202、基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云。
76.本实施例中，利用粗标定后的原始点云依次进行降采样和去地面等操作获取车载激光雷达对应的地面点云和非地面点云，进而基于地面点云和非地面点云分别获取相应的激光雷达外参。
77.在一种实施方式中，获取地面点云和非地面点云的具体过程如下：
78.将经过粗标定后的原始点云进行第一处理，得到所述车载激光雷达对应的地面点云和非地面点云；其中，所述第一处理包括降采样处理和去地面处理。
79.其中，对原始点云进行降采样处理，以删除噪声点云的同时可以提高运算速度，而去地面处理可以将地面点云和非地面点云进行区分。在进一步的实施方式中，所述将经过粗标定后的原始点云进行第一处理，包括以下步骤：
80.对经过粗标定后的原始点云进行降采样；
81.将经过降采样的点云栅格化，并计算每个栅格内所有点与预设范围内点云的最大高度差；
82.若所述最大高度差大于预设阈值，则将栅格内所有点记为非地面点云；
83.若所述最大高度差不大于预设阈值，则将栅格内所有点记为地面点云。
84.本实施例中，通过对降采样的点云进行栅格化处理，并对栅格化中的点进行高度差计算，然后将栅格内的点云划分为地面点云或者非地面点云，可以有效提高地面点云和非地面点云的获取效率。
85.步骤s203、基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数。
86.具体的，对地面点云进行平面拟合以获取车载激光雷达的翻滚角参数和俯仰参数。
87.在一种实施方式中，步骤s203具体包括以下步骤：将所述地面点云进行平面拟合，并获取经过平面拟合后的地面点云的法向量；基于所述法向量获取所述车载激光雷达的翻滚角参数和俯仰角参数。
88.具体地，可以通过对地面点云进行平面拟合，并通过计算平面拟合后的地面点云
的基准方程，根据该基准方程获取方向量，再根据法向量与标准法向量的夹角即为激光雷达翻滚角和俯仰角度。可以理解的，标准向量可以为真实地平面的法向量。
89.可以理解的，平面拟合为比较成熟的现有技术，本实施例对此不再多作赘述。
90.在进一步的实施方式中，所述将所述地面点云进行平面拟合，并获取经过平面拟合后的地面点云的法向量，包括：
91.在所述地面点云中设置若干第一感兴趣区；
92.分别从所述若干第一感兴趣区内随机选择点云，并基于所述点云估算平面拟合的基准方程；
93.获取所述基准方程范围内的点云数量；
94.若未达到最大迭代次数，则返回执行分别从所述若干第一感兴趣区内随机选择点云的步骤；
95.若达到最大迭代次数，则从每次迭代得到的基准方程中选择出基准方程范围内的点云数量最大的基准方程，并基于所述点云数量最大的基准方程获取地面点云的法向量。
96.在一示例中，a)在地面点云中设置前后左右4个感兴趣roi区域，提取在上述感兴趣区域内的所有地面点云，以拟合地面点云平面方程，其中地面拟合中的4个感兴趣区域的示意如图4所示；b)随机选择感兴趣区域内三个点云，估算路面(平面拟合)的基准方程ax+by+cz+d＝0；c)将在上述基准方程内的地面点云进行分析，记录该方程及其内部点云数；重复步骤b)、c)直到超过迭代次数，期间基准方程内部点云数最多的平面方程即为路面的基准方程，即可知地面点云的法向量，其中，拟合得到的平面方程可得地面法向量va＝(a,b,c)。
97.步骤s204、基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数。
98.本实施例中，通过对非地面点云进行车身朝向拟合，即利用非地面点云拟合出车的轮廓及朝向，进而可以通过计算车朝向与激光雷达安装位置的x轴之间的角度即为偏航角，并通过计算点云的平均高度获取激光雷达的高度参数。
99.在一种实施方式中，步骤s204具体包括以下步骤：
100.基于第一外参对所述非地面点云进行旋转，所述第一外参包括用于对所述原始点云进行粗标定的初始偏航角参数以及所述翻滚角参数和所述俯仰角参数；
101.基于若干第二感兴趣区对经过旋转后的非地面点云进行分割，得到车辆点云；
102.将所述车辆点云转化成图像，并基于图像处理算法对所述图像进行第二处理，得到车辆轮廓及对应的朝向；
103.基于车辆轮廓及对应的朝向获取所述激光雷达的偏航角参数；
104.基于第二外参计算所述第二感兴趣区点云的平均高度，得到所述车载激光雷达的高度参数，所述第二外参包括所述翻滚角参数、所述俯仰角参数和所述偏航角参数。
105.具体的，第一外参即当前外参，当前外参包括初始外参和经过标定的外参，经过标定的外参包括翻滚角参数和俯仰角参数，用已经标定的外参替代初始外参中的初始翻滚角参数和俯仰角参数，并保留的粗标定且尚未进行细标定中的初始偏航角参数，对非地面点云进行旋转，具体而言，利用第一外参计算旋转矩阵，进而根据该旋转矩阵对非地面点云旋转。
106.具体地，同样可以设置前后左右4个感兴趣区对非地面点云进行分割，以获得车辆自身点云。需要说明的是，本实施例中的第一感兴趣区和第二感兴趣区仅用于区分相似对象，而并无其它含义。在一些实施例中，可以先设置兴趣区，再基于兴趣区同时对地面点云和非地面点云同时进行分割。
107.具体地，由拟合得到的车辆朝向为vd＝(x,y,0)，车体坐标系中车辆朝向为x轴，可得激光雷达x轴与车辆x轴夹角，即为航向角。
108.具体地，第一外参和第二外参为当前最新的标定外参，第二外参相较于第一外参进一步更新(偏航角参数)，用获取的新外参标定原始点云，计算感兴趣区域点云的平均高度，以获得激光雷达高度参数。
109.在一种实施方式中，所述将所述车辆点云转化成图像，并基于图像处理算法对所述图像进行第二处理，得到车辆轮廓及对应的朝向，包括以下步骤：
110.将所述车辆点云投影到所述激光雷达的坐标系xy平面上，生成鸟瞰图像；
111.基于凸包计算函数对所述鸟瞰图像中的二维点云进行凸包计算，得到关于车辆的多个角点对应的多边形；
112.分别计算所述多边形每条边的长度及其对应的包围盒的高度；
113.从每条边对应的包围盒中选择包围盒面积最小的包围盒作为所述车辆的轮廓，并选择所述轮廓对应的边和高的长度中更长的方向作为车辆朝向。
114.具体地，将车辆自身点云投影到xy平面上，生成鸟瞰图像，利用图像形态学方法处理图像，以获得清晰的边缘；然后调用计算机视觉库中凸包计算函数对鸟瞰图像对应的二维点云进行凸包计算，以获得车辆多边形的角点；选择多边形的一条边，将剩下的所有点都投影到这条边上，计算最远的两个投影点距离即为本条边的长度，同时选择距离该条边最远的点计算box的高；最终选择box面积最小的边框作为车辆的边框，比较边和高的长度，较长的即为车辆朝向。其中拟合后的车轮廓及对应朝向如图5所示。
115.综上，本实施例的激光雷达标定方法主要包括如下步骤：车载激光雷达采集原始点云；对原始点云进行粗标定；对原始点云进行降采样；对原始点云进行地面分割；对地面点云进行地面拟合；对分地面点云进行车身朝向拟合；最终根据地面拟合结果和车身朝向拟合结果计算激光雷达外参。
116.相较于相关技术车载激光雷达的标定步骤繁琐且复杂，并且无法标准化、自动化的对激光雷达进行高效、准确标定，本实施例通过对激光雷达外参进行粗标定，通过对经过粗标定的原始点云降采样、分割地面，提取路面点云和本车点云，拟合地面点云及自身车辆朝向，计算车载激光雷达外参，其标定过程简单、高效、操作流程简单，能自动化对激光雷达进行高效标定,有效提高了车载激光雷达标定的效率及准确度。
117.此外，通过在选定无障碍物干扰的水平道路，获取车载激光雷达原始点云，以降低障碍物影响因素；并利用水平路面的拟合方程计算激光雷达翻滚角和俯仰角，同时利用图像学方法拟合自身车辆朝向计算激光雷达偏航角，以获得车载激光雷达外参，可以进一步提高激光雷达外参的标定效率和准确率。
118.根据本技术实施例的第二方面，还提供一种车载激光雷达的标定装置，如图6所示，包括：
119.粗标定模块61，其设置为对车载激光雷达的原始点云进行粗标定；
120.获取模块62，其设置为基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云；
121.第一细标定模块63，其设置为基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数；
122.第二细标定模块64，基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数。
123.在一种实施方式中，所述获取模块62，包括：
124.第一处理单元，其设置为将经过粗标定后的原始点云进行第一处理，得到所述车载激光雷达对应的地面点云和非地面点云；其中，所述第一处理包括降采样处理和去地面处理。
125.在一种实施方式中，所述第一处理单元具体设置为，对经过粗标定后的原始点云进行降采样；将经过降采样的点云栅格化，并计算每个栅格内所有点与预设范围内点云的最大高度差；若所述最大高度差大于预设阈值，则将栅格内所有点记为非地面点云；若所述最大高度差不大于预设阈值，则将栅格内所有点记为地面点云。
126.在一种实施方式中，所述第一细标定模块，包括：
127.法向量获取单元，其设置为将所述地面点云进行平面拟合，并获取经过平面拟合后的地面点云的法向量；
128.第一参数获取单元，其设置为基于所述法向量获取所述车载激光雷达的翻滚角参数和俯仰角参数。
129.在一种实施方式中，所述法向量获取单元具体设置为，在经过平面拟合的地面点云中设置若干第一感兴趣区；分别从所述若干第一感兴趣区内随机选择点云，并基于所述点云估算路面的基准方程；获取所述基准方程范围内的点云数量；若未达到最大迭代次数，则返回执行分别从所述若干第一感兴趣区内随机选择点云的步骤；若达到最大迭代次数，则从每次迭代得到的基准方程中选择出基准方程范围内的点云数量最大的基准方程，并基于所述点云数量最大的基准方程获取地面点云的法向量。
130.在一种实施方式中，所述第二细标定模块，包括：
131.旋转单元，其设置为基于第一外参对所述非地面点云进行旋转，所述第一外参包括用于对所述原始点云进行粗标定的初始偏航角参数以及所述翻滚角参数和所述俯仰角参数；
132.分割单元，其设置为基于若干第二感兴趣区对经过旋转后的非地面点云进行分割，得到车辆点云；
133.第二处理单元，其设置为将所述车辆点云转化成图像，并基于图像处理算法对所述图像进行第二处理，得到车辆轮廓及对应的朝向；
134.第二参数获取单元，其设置为基于车辆轮廓及对应的朝向获取所述激光雷达的偏航角参数；
135.第三参数获取单元，其设置为基于第二外参计算所述第二感兴趣区点云的平均高度，得到所述车载激光雷达的高度参数，所述第二外参包括所述翻滚角参数、所述俯仰角参数和所述偏航角参数。
136.在一种实施方式中，所述第二处理单元具体设置为将所述车辆点云投影到所述激
光雷达的坐标系xy平面上，生成鸟瞰图像；基于凸包计算函数对所述鸟瞰图像中的二维点云进行凸包计算，得到关于车辆的多个角点对应的多边形；分别计算所述多边形每条边的长度及其对应的包围盒的高度；从每条边对应的包围盒中选择包围盒面积最小的包围盒作为所述车辆的轮廓，并选择所述轮廓对应的边和高的长度中更长的方向作为车辆朝向。
137.在一种实施方式中，所述装置还包括：
138.选定模块，其设置为选定符合预设条件的水平道路，以使车载激光雷达能够采集到车辆的原始点云；
139.点云获取模块，其设置为获取所述车载激光雷达采集的原始点云。
140.在此需要说明的是，本技术提供的上述车载激光雷达的标定装置，能够实现上述方法实施例中所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
141.根据本技术实施例的第三方面，还提供一种电子设备，如图7所示，包括：存储器71和处理器72；
142.所述存储器71存储计算机执行指令；
143.所述处理器72执行所述存储器71存储的计算机执行指令，使得所述电子设备执行所述的车载激光雷达的标定方法。
144.在此需要说明的是，本技术提供的上述电子设备，能够实现上述方法实施例中所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
145.根据本技术实施例的第四方面，还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行所述的车载激光雷达的标定方法。
146.在此需要说明的是，处理器执行计算机程序时可实现上述方法实施例中网络设备所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
147.本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。
148.如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于ram、rom、eeprom、闪存或其他存储器技术、cd-rom、数字多功能盘(dvd)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
149.此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结
构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
150.在本技术实施例的描述中，术语“和/或”仅仅表示一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，术语“至少一种”表示多种中的任一种或多种中的至少两种的任意组合，例如，包括a、b、中的至少一种，可以表示包括a、b和c沟通的集合中选择的任意一个或多个元素。此外，术语“多个”的含义是两个或两个以上，除非是另有精确具体地规定。
151.在本技术实施例的描述中，术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
152.最后应说明的是：以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的范围。

技术特征：

1.一种车载激光雷达的标定方法，其特征在于，包括：对车载激光雷达的原始点云进行粗标定；基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云；基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数；基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数。2.根据权利要求1所述的方法，其特征在于，所述基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云，包括：将经过粗标定后的原始点云进行第一处理，得到所述车载激光雷达对应的地面点云和非地面点云；其中，所述第一处理包括降采样处理和去地面处理。3.根据权利要求2所述的方法，其特征在于，所述将经过粗标定后的原始点云进行第一处理，包括：对经过粗标定后的原始点云进行降采样；将经过降采样的点云栅格化，并计算每个栅格内所有点与预设范围内点云的最大高度差；若所述最大高度差大于预设阈值，则将栅格内所有点记为非地面点云；若所述最大高度差不大于预设阈值，则将栅格内所有点记为地面点云。4.根据权利要求1-3任一项所述的方法，其特征在于，所述基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数，包括：将所述地面点云进行平面拟合，并获取经过平面拟合后的地面点云的法向量；基于所述法向量获取所述车载激光雷达的翻滚角参数和俯仰角参数。5.根据权利要求4所述的方法，其特征在于，所述将所述地面点云进行平面拟合，并获取经过平面拟合后的地面点云的法向量，包括：在所述地面点云中设置若干第一感兴趣区；分别从所述若干第一感兴趣区内随机选择点云，并基于所述点云估算平面拟合的基准方程；获取所述基准方程范围内的点云数量；若未达到最大迭代次数，则返回执行分别从所述若干第一感兴趣区内随机选择点云的步骤；若达到最大迭代次数，则从每次迭代得到的基准方程中选择出基准方程范围内的点云数量最大的基准方程，并基于所述点云数量最大的基准方程获取地面点云的法向量。6.根据权利要求1所述的方法，其特征在于，所述基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数，包括：基于第一外参对所述非地面点云进行旋转，所述第一外参包括用于对所述原始点云进行粗标定的初始偏航角参数以及所述翻滚角参数和所述俯仰角参数；基于若干第二感兴趣区对经过旋转后的非地面点云进行分割，得到车辆点云；将所述车辆点云转化成图像，并基于图像处理算法对所述图像进行第二处理，得到车辆轮廓及对应的朝向；基于车辆轮廓及对应的朝向获取所述激光雷达的偏航角参数；基于第二外参计算所述第二感兴趣区点云的平均高度，得到所述车载激光雷达的高度
参数，所述第二外参包括所述翻滚角参数、所述俯仰角参数和所述偏航角参数。7.根据权利要求6所述的方法，其特征在于，所述将所述车辆点云转化成图像，并基于图像处理算法对所述图像进行第二处理，得到车辆轮廓及对应的朝向，包括：将所述车辆点云投影到所述激光雷达的坐标系xy平面上，生成鸟瞰图像；基于凸包计算函数对所述鸟瞰图像中的二维点云进行凸包计算，得到关于车辆的多个角点对应的多边形；分别计算所述多边形每条边的长度及其对应的包围盒的高度；从每条边对应的包围盒中选择包围盒面积最小的包围盒作为所述车辆的轮廓，并选择所述轮廓对应的边和高的长度中更长的方向作为车辆朝向。8.根据权利要求1所述的方法，其特征在于，在对车载激光雷达的原始点云进行粗标定之前，还包括：选定符合预设条件的水平道路，以使车载激光雷达能够采集到车辆的原始点云；获取所述车载激光雷达采集的原始点云。9.一种车载激光雷达的标定装置，其特征在于，包括：粗标定模块，其设置为对车载激光雷达的原始点云进行粗标定；获取模块，其设置为基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云；第一细标定模块，其设置为基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数；第二细标定模块，基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数。10.一种电子设备，其特征在于，包括：存储器和处理器；所述存储器存储计算机执行指令；所述处理器执行所述存储器存储的计算机执行指令，使得所述电子设备执行权利要求1-8中任一项所述的车载激光雷达的标定方法。

技术总结

本申请提供一种车载激光雷达的标定方法、装置及设备，其中，所述方法包括：对车载激光雷达的原始点云进行粗标定；基于经过粗标定后的原始点云获取所述车载激光雷达对应的地面点云和非地面点云；基于所述地面点云获取所述车载激光雷达的翻滚角参数和俯仰角参数；基于所述非地面点云获取所述车载激光雷达的偏航角参数和高度参数。通过上述方法，本申请可以有效提高车载激光雷达标定的效率及准确率。效提高车载激光雷达标定的效率及准确率。效提高车载激光雷达标定的效率及准确率。