基于多对点云匹配的三维激光雷达外参数标定 下载: 1721次
1 引言
三维激光雷达凭借其高精度、高分辨率及高可靠性等特性,成为了无人车障碍物检测与跟踪、三维地图构建等领域中重要的传感器。同样作为无人车感知的重要部分,全球定位系统(GPS)/惯性导航系统(INS)组合导航系统提供车辆位姿信息,回答了无人车“在哪”的问题。两者相互补充,实现无人车的全局定位与局部感知。两者融合使用的前提是需要对两者安装的相对位姿进行标定。
三维激光雷达坐标系与GPS/INS组合导航系统坐标系之间准确的相对位置和转角关系难以通过简单目测及手工测量直接获得。所以,需要通过算法实现两者之间的精确标定。在同时定位与建图应用方面,良好的标定结果为后续点云配准过程提供了更好的初始位置,能够减少建图配准过程的计算量,可以提高建图精度和效率。
针对三维激光雷达外参数标定问题,Zhu等[1]提出了一种无监督三维激光雷达外参数标定方法,对6个外参数进行解耦求解,但仅对三维激光雷达相对于地面坐标系进行了研究;Underwood等[2]提出了通过对特定标定物的匹配来求解三维激光雷达外参数的方法,但其依赖特殊标定物;罗志锋等[3]提出了一种基于小车直线行驶、原地旋转轨迹特征的标定方法,对于无人车而言,原地转弯难以实现,并且该方法只能求解二维外参数。Levinson等[4]提出了一种采集车辆转弯数据、利用64线激光雷达中64个单激光束连续多帧激光点云叠加的三维环境进行匹配求解激光雷达外参数的方法;该方法同时适用于三维激光雷达内、外参数的标定,但其计算量大、耗时长、效率低,并且对初值比较敏感,容易陷入局部最优解,若仅用于解决外参数标定问题,就会稍显复杂。Nouira等[5]基于文献[ 4]提出了一种基于平面特征的无监督外参数优化方法,优化了迭代过程并提出了标定参数评价指标,但不具备通用性。将文献[ 5]的方法与文献[ 4]所提方法进行比较发现,前者的标定效果和速度均有明显改善,但算法复杂,实现难度较大。据此,本文提出在三维激光雷达内部参数标定准确、GPS/INS组合导航系统工作正常的前提下,采集车辆直线往返行驶时激光雷达点云和GPS/INS组合导航系统的位姿数据,选取位置相近、方向相反的点云组成点云对,同时匹配多对点云,通过多步数参数区域迭代生成三维激光雷达外参数的标定方法。
2 标定方法
所搭建实验平台如
2.1 坐标系建立
三维激光雷达坐标系原点
GPS/INS组合导航系统通过多传感器融合输出车辆位姿数据。由于GPS天线及INS均固定连接在车体上,同属一个刚体,姿态角相同。所以,组合导航系统坐标系中以GPS天线上经纬度数据表示的位置为原点
外参数标定即为获得
2.2 数据预处理
选择在差分信号良好的条件下,采集无人车行驶时的三维激光雷达和GPS/INS组合导航系统数据,记录每帧三维激光雷达点云采集初始时刻相应的GPS/INS组合导航系统位姿数据作为位姿标签,实现两类传感器之间的时间同步。
采集得到的三维激光雷达的原始数据是以距离的形式存储的,为实现车辆周围环境的三维重建,需要根据三维激光雷达每个激光束的角度偏移量、位置偏移量等内参数,及相应时刻的雷达转角等信息将激光雷达距离数据解析成三维坐标的形式;由于车辆运动直接解析得到的三维坐标存在一定的偏差,故需要在解析得到单帧激光雷达点云坐标之后,根据无人车运动状态参数对每帧点云中点的坐标进行位置修正,减小车辆运动对三维重建造成的畸变影响。
GPS/INS组合导航系统主要用于反映车辆的实时位姿,配合三维激光雷达实现无人车重建三维环境。车辆的位置数据是通过获取差分GPS得到的经纬度数据。为便于计算,根据经纬度转换平面坐标的关系[6-7]将每帧点云对应的车辆的经纬度转化到平面坐标系,得到无人车在该平面坐标系下的坐标。
2.3 目标函数的建立
理论上,在GPS差分状态良好的条件下,将修正好的激光雷达点云依据当前帧点云对应的位姿数据投影到三维空间,可以实现三维环境的重建。实际上由于车辆采集的位姿数据并非三维激光雷达的位姿,而是GPS/INS组合导航系统的位姿数据,所以,依据车辆直接采集的车辆的位姿数据不能实现三维环境的重建,并且偏差主要为三维激光雷达坐标系与GPS/INS组合导航系统坐标系之间的偏差。基于上述思想,可以通过调整预设的外参数值,使得点云实现较好的匹配,得到最优外参数。本研究提出一种基于同时匹配多对方向相反、距离相近的点云迭代生成三维激光雷达外参数的方法。
根据多对三维激光雷达点云和GPS/INS组合导航系统坐标系的相对位姿,以
式中
此处
式中
式中
由于每帧点云包含十多万个点,数据量较大,直接搜索会导致算法运行时间很长,本研究采用k-dimensional(KD)树[8]快速搜索最近点的方法对上述算法进行优化,以缩短标定时间。采用主成分分析法求解点云中点的法向量,根据每个点距离最近的20个点列出协方差矩阵的最小特征值对应的特征向量得到该点的法向量[9]。分别根据不同的外参数组合
2.4 迭代优化方法
采用参数多步数迭代方法,分别设定每个参数的迭代中心为
通常,通过目测或简单测量预估
采用旋转参数与平移参数交替迭代的方法优化外参数。同一步长条件下,在迭代旋转参数时,平移参数保持其当前最优状态不变,遍历当前旋转参数中心限定区域内参数所有可能的取值组合,寻找目标函数最小值对应的参数并更新为下一次迭代的中心,直到迭代至最优解不发生变化时,将该最优解确定为该步长下的最优解。得到最优旋转参数后,保持旋转最优参数不变,平移参数步长减半,迭代平移参数,寻找最优平移参数,循环交替迭代,直到满足终止条件。标定流程图如
3 实验及结果
3.1 数据采集
采集车辆在同一直路上匀速(5 km/h)往返行驶的三维激光雷达和GPS/INS组合导航系统数据作为标定数据。低速行驶是为了降低两类传感器时间不完全同步对标定的影响。直线往返行驶时车辆的
图 4. 标定前两个标定场景的点云叠加图。(a) 1号标定场景;(b) 2号标定场景
Fig. 4. Two scene point cloud overlay maps before calibration. (a) Calibration scene 1; (b) calibration scene 2
3.2 标定结果分析
3.2.1 较优初始迭代中心标定实验
通过目测预估各参数初值
表 1. 1号标定场景不同步长和步数条件的标定结果
Table 1. Calibration results using different step lengths and different step counts in calibration scene 1
|
步数为1的5组实验中,标定时间均在4 min左右,相对于文献[
4]中提到的较差标定初值条件下单步数迭代标定出结果的时间约1 h,所提方法标定时间明显缩短,体现了所提标定数据处理方法和目标函数的优势。比较5组标定结果,15 cm & 1.5°初值组合相应的
在初始迭代中心和初始步长相同的条件下,多步数标定后目标函数值均小于各自对应的单步数标定目标函数,说明多步数迭代比单步数迭代更容易得到更优的标定结果。但是,多步数迭代标定消耗的时间较单步数更长。标定消耗时间随着步数的增加而快速增加。比如,当步数为15时,标定时间将在几百分钟以上,这显然不是很好的选择。实际标定中,在对时间要求不高的条件下,可以考虑采用多步数迭代进行标定,通常选择步数为2~5。
3.2.2 较差初始迭代中心的标定实验
为验证算法的可靠性,采用2号标定场景中的数据,设定较差初始迭代中心。实验结果进一步说明在初始迭代中心和初始步长相同的条件下,多步数迭代较单步数迭代更容易得到更优外参数。设定较差初始迭代中心
图 5. 2号标定场景中几个主要外参数及目标函数随迭代次数的变化情况。(a) x;(b) y;(c) θyaw;(d) J
Fig. 5. Variation of several main extrinsic parameters and objective function with the number of iterations in calibration scene 2. (a) x; (b) y; (c) θyaw; (d) J
图 6. 2号标定场景迭代过程图。(a)初始范围;(b)迭代过程点;(c)迭代中心移动后范围
Fig. 6. Iteration process diagrams in calibration scene 2. (a) Initial range; (b) points of the iteration process; (c) range after moving the iteration center
表 2. 2号标定场景的标定结果
Table 2. Calibration results in calibration scene 2
|
图 7. 标定后两个场景的点云叠加图。(a) 1号标定场景;(b) 2号标定场景
Fig. 7. Two scene point cloud overlay maps after calibration. (a) Calibration scene 1; (b) calibration scene 2
3.2.3 不同初始迭代中心标定实验
基于2号标定场景,根据第3.2.1节中预估的参数迭代中心,在该初始中心位置参数的±40 cm、旋转参数的±4°范围内随机生成标定迭代中心,设定步长为20 cm、为3进行标定实验。随机进行20次实验,得到20组标定结果,统计每个参数的均值和均方差,结果如
由
表 3. 不同初始迭代中心标定结果的均值与方差
Table 3. Mean value and standard deviation of calibration results for different initial iteration centers
|
4 结论
提出了一种利用车辆直线往返行驶的三维激光雷达和GPS/INS组合导航系统数据,选择距离相近、方向相反的点云组成点云对,基于连续多对点云同时匹配,遍历多步数参数区域迭代获得外参数的方法。该方法无需采集车辆转弯时的数据进行标定(车辆转弯时,雷达点云需要转弯修正,修正误差会影响标定结果),数据处理相对简单,减少了标定前的中间环节;设定了更为简单的目标函数,计算量小,标定时间缩短;迭代采用多步数参数区域,比单步数参数区域更容易得到更优的外参数。但标定结果的影响因素较多,如差分数据的精度及三维激光雷达数据与GPS/INS组合导航系统时间同步的精度等系统误差都会对标定结果产生影响,匹配的精度对环境也具有一定依赖性。所以,为提高标定的准确度,标定时尽量选择结构规整、差分信号稳定的环境进行标定。本研究未能建立通用的评判标定精度的定量指标,建立一种通用的不同标定方法标定精度的评价指标将是后续的研究工作,目前只是通过目标函数值定性反映标定结果,为实际应用提供了一种改进方法。因为车辆运动近似平面运动,标定过程中没有考虑高度参数,下一步将考虑采集往返同一坡道的数据进行包含高度参数的标定。
[2] UnderwoodJ, HillA, SchedingS. Calibration of range sensor pose on mobile platforms[C]. IEEE/RSJ International Conference on Intelligent Robots and Systems, 2007: 3866- 3871.
[3] 罗志锋, 张轲, 王志刚, 等. 激光测距传感器在自主导航小车中的位置标定[J]. 激光与光电子学进展, 2017, 54(6): 062802.
[4] LevinsonJ, ThrunS. Unsupervised calibration for multi-beam lasers[M]. Heidelberg: Springer, 2014: 179- 193.
[5] NouiraH, Deschaud JE, Goulette F. Target-free extrinsic calibration of a mobile multi-beam LIDAR system[J]. ISPRS Annals of the Photogrammetry, RemoteSensing and Spatial InformationSciences, 2015, II-3/W5: 97- 104.
[6] 谢德胜, 徐友春, 万剑, 等. 基于RTK-GPS的轮式移动机器人轨迹跟随控制[J]. 机器人, 2017, 39(2): 221-229.
Xie D S, Xu Y C, Wan J, et al. Trajectory tracking control of wheeled mobile robots based on RTK-GPS[J]. Robot, 2017, 39(2): 221-229.
[7] Karney C F F. Algorithms for geodesics[J]. Journal of Geodesy, 2013, 87(1): 43-55.
[8] 刘江, 张旭, 朱继文. 一种基于K-D树优化的ICP三维点云配准方法[J]. 测绘工程, 2016, 25(6): 15-18.
Liu J, Zhang X, Zhu J W. ICP three-dimensional point cloud registration based on K-D tree optimization[J]. Engineering of Surveying and Mapping, 2016, 25(6): 15-18.
[9] SegalA, HaehnelD, ThrunS. Generalized-ICP[C]. Proceedings of Robotics: Science and Systems, 2009: 26- 27.
韩栋斌, 徐友春, 王任栋, 齐尧, 李华. 基于多对点云匹配的三维激光雷达外参数标定[J]. 激光与光电子学进展, 2018, 55(2): 022803. Dongbin Han, Youchun Xu, Rendong Wang, Yao Qi, Hua Li. Calibration of Three-Dimensional Lidar Extrinsic Parameters Based on Multiple-Point Clouds Matching[J]. Laser & Optoelectronics Progress, 2018, 55(2): 022803.