激光坐标系和惯导坐标系的标定方法和装置以及存储介质
技术领域
[0001] 本
申请涉及计算机地图
数据处理技术领域，尤其涉及激光坐标系和惯导坐标系的标定方法和装置以及非瞬时性计算机可读存储介质。
背景技术
[0002] 对于自动驾驶技术而言，需要构建高
精度地图。为了构建高精度地图，需要有地图中相关道路场景的3D点
云数据。通常采用专业的点云
数据采集车来采集道路场景的点云数据。
[0003] 点云数据采集车在运行过程中，将
激光雷达采集到的每一
帧激光点云数据转换到车辆坐标系中(即激光坐标系转换为惯导坐标系)。对于激光点云数据从激光坐标系转换到车辆坐标系(即，惯导坐标系)的相对
位置变换标定，可通过计算两个坐标系间的平移量(即，x、y、z)和旋转因子(即，
俯仰角pitch、
偏航角yaw、翻滚角roll)来实现。图1示出了从激光坐标系A转换到车辆坐标系B的相对位置变换标定的示意图。为了构建高精度地图，对于激光和惯导的标定结果(即转换过程)的准确度有很高的要求。
[0004]
现有技术通常采用以下三种方式来进行激光到惯导的转换：
[0005] 1、人工标定：通过人工手动选择不同帧点云数据中的同名点，由此来计算从激光到惯导的
位姿变换。这种方法需要手动操作，一方面不能达到标定的高精度处理要求，另一方面也容易引入人为造成的误差。
[0006] 2、特定标识点标定：设定特定的标识点，可以知道激光扫描的点云中某一点的绝对位置(地球坐标系中的绝对位置)，即可计算出激光和惯导的相对位姿变换。这种方法虽然准确率高，但是需要特定的标定场地。为了确保标识点的绝对位置的精度，这种场地的维护成本相当高。目前，国内满足这种要求的标定场地极少，不能满足大量生产的目的。
[0007] 3、非监督式标定：在
机器人的手眼标定中，相机和手臂通过特定方向的运动和旋转，可通过多次
迭代来最小化手眼间的配准成本函数，达到求解变化矩阵的目的。可将激光和惯导近似看成
机器人手眼标定中的相机和手臂，来计算激光和惯导的相对变化矩阵。但是，这种方式需要标定场地中存在平面特征结构。同时待标定的设备需要按照一定的运行轨迹运动，限制较多。
发明内容
[0008] 本申请提供了一种激光坐标系和惯导坐标系的标定方法和装置以及非瞬时性计算机可读存储介质。
[0009] 根据本申请的第一方面，提供了一种激光坐标系和惯导坐标系的标定方法，包括：
[0010] 根据车辆行驶过程中采集的惯导数据，提取车辆行驶过程中的直行路段、转弯路段和/或坡道路段；
[0011] 在所提取的直行路段、转弯路段和/或坡道路段中，分别提取多帧激光点云数据中的平面特征，并记录所提取的平面特征中的数据点相对应的惯导数据中的轨迹位姿；
[0012] 根据所述直行路段、转弯路段和/或坡道路段中不同路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿，计算得出所述激光坐标系与所述惯导坐标系之间的
姿态角和平移量的优化解。
[0013] 根据本申请的第二方面，提供了一种激光坐标系和惯导坐标系的标定装置，包括：
[0014] 路段提取单元，根据车辆行驶过程中采集的惯导数据，提取车辆行驶过程中的直行路段、转弯路段和/或坡道路段；
[0015] 提取记录单元，在所提取的直行路段、转弯路段和/或坡道路段中，分别提取多帧激光点云数据中的平面特征，并记录所提取的平面特征中的数据点相对应的惯导数据中的轨迹位姿；
[0016] 优化解计算单元，根据所述直行路段、转弯路段和/或坡道路段中不同路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿，计算得出所述激光坐标系与所述惯导坐标系之间的姿态角和平移量的优化解。
[0017] 根据本申请的第三方面，提供了一种装置，包括：
[0018] 处理器；
[0020] 当所述一个或多个程序被所述处理器执行时，使得所述处理器实现如上所述的方法。
[0021] 根据本申请的第四方面，提供了一种非瞬时性计算机可读存储介质，其上存储有
计算机程序，所述计算机程序在被处理器执行时，使得所述处理器实现如上所述的方法。
附图说明
[0022] 通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0023] 图1示出了从激光坐标系转换到车辆坐标系的相对位置变换标定的示意图；
[0024] 图2示出了根据本申请一个实施方式激光坐标系和惯导坐标系的标定方法的
流程图；
[0025] 图3示出了根据本申请一个实施方式提取车辆行驶过程中的直行路段、转弯路段和/或坡道路段的流程图；
[0026] 图4示出了根据本申请一个实施方式从所选取的数据区域中提取直行路段、转弯路段和/或坡道路段的流程图；
[0027] 图5示出了根据本申请一个实施方式分别提取多帧激光点云数据中的平面特征的流程图；
[0028] 图6示出了根据本申请另一实施方式分别提取多帧激光点云数据中的平面特征的流程图；
[0029] 图7示出了根据本申请另一实施方式的激光坐标系和惯导坐标系的标定方法的流程图；
[0030] 图8示出了对激光点云数据进行下
采样处理的示意图；
[0031] 图9示出了根据本申请一个实施方式计算激光坐标系与惯导坐标系之间的姿态角和平移量的优化解的流程图；
[0032] 图10示出了根据本申请一个实施方式通过预设的优化
算法计算激光坐标系与惯导坐标系之间的姿态角的初值的流程图；
[0033] 图11示出了根据本申请一个实施方式通过预设的
优化算法计算激光坐标系与惯导坐标系之间的姿态角和平移量的优化解的流程图；
[0034] 图12示出了根据本申请激光点云数据的标定结果示意图；
[0035] 图13示出了根据本申请一个实施方式的激光坐标系和惯导坐标系的标定装置的示意图；
[0036] 图14示出了根据本申请一个实施方式的路段提取单元的示意图；
[0037] 图15示出了根据本申请一个实施方式的提取子单元的示意图；
[0038] 图16示出了根据本申请一个实施方式的提取记录单元的示意图；
[0039] 图17示出了根据本申请另一实施方式的提取记录单元的示意图；
[0040] 图18示出了根据本申请另一实施方式的激光坐标系和惯导坐标系的标定装置的示意图；
[0041] 图19示出了根据本申请一个实施方式的优化解计算单元的示意图；
[0042] 图20示出了根据本申请一个实施方式的初值计算子单元的示意图；
[0043] 图21示出了根据本申请一个实施方式的优化解计算子单元的示意图。
具体实施方式
[0044] 以下参照附图对本申请的实施方式进行详细描述。应注意，以下描述仅仅是示例性的，而并不旨在限制本申请。此外，在以下描述中，将采用相同的附图标号表示不同附图中的相同或相似的部件。在以下描述的不同实施方式中的不同特征，可彼此结合，以形成本申请范围内的其他实施方式。
[0045] 为了解决现有技术中所出现的问题，本申请提供了一种对采集激光点云数据和惯导数据的车辆中的激光坐标系和惯导坐标系进行标定的方法。通过该方法，可将车辆行进的轨迹分为直行、转弯、坡道三种路段，在每个路段中提取车辆上的激光点云数据采集装置所采集的激光点云数据中的平面特征并记录车辆上的惯导装置采集的相应惯导数据中的轨迹位姿，通过一系列的处理对激光坐标系和车辆坐标系(即，惯导坐标系)之间的相对变换进行标定，以得到两个坐标系之间的相对姿态角(即，旋转因子：俯仰角pitch、偏航角yaw、翻滚角roll)和/或平移量(即，x、y、z)。
[0046] 图2示出了根据本申请一个实施方式的激光坐标系和惯导坐标系的标定方法的流程图。如图2所示，该方法100可包括步骤S110至S130。在步骤S110中，根据车辆行驶过程中采集的惯导数据，提取车辆行驶过程中的直行路段、转弯路段和/或坡道路段。车辆在道路上行进的过程中，可利用车辆上安装的激光点云数据采集装置(例如，激光雷达)采集激光点云数据，并利用车辆上安装的惯导数据采集装置(例如，惯导
传感器)采集惯导数据。对于所采集的惯导数据，可提取其中的车辆直行路段、转弯路段和/或坡道路段。具体的提取过程将在稍后进行详细描述。
[0047] 在步骤S120中，在所提取的直行路段、转弯路段和/或坡道路段中，分别提取多帧激光点云数据中的平面特征，并记录所提取的平面特征中的数据点相对应的惯导数据中的轨迹位姿。在上述步骤S110中，已根据惯导数据提取了直行路段、转弯路段、坡道路段。那么，可确定这些路段相应的激光点云数据。对于这些路段相应的激光点云数据中的多个帧，为了后续的寻优操作，可提取其中的平面特征，并且还可以记录与该帧相对应的惯导数据中平面特征中的数据点的轨迹位姿。激光点云数据中平面特征具体的提取过程将在稍后进行详细描述。
[0048] 随后，在步骤S130中，根据直行路段、转弯路段和/或坡道路段中不同路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿，计算得出激光坐标系与所述惯导坐标系之间的姿态角和平移量的优化解。具体计算过程将在稍后进行详细描述。
[0049] 由此，可根据道路实际情况，将车辆在行进过程中采集到的数据区分为不同路段，并在不同路段中分别提取激光点云数据的平面特征并记录惯导数据的位姿，从而分别利用不同路段计算得出激光坐标系与惯导坐标系之间的姿态角和平移量的优化解，以实现两坐标系之间的标定。当车辆行驶在直行路段时，所采集到的激光点云数据和惯导数据可用于计算两坐标系之间姿态角的初值。但是，由于车辆在直行路段处于直线行驶状态，因此在该路段行驶过程中采集到的激光点云数据和惯导数据在
水平x和y方向上的差异保持不变，从而不利于计算两坐标系之间的平移量。根据本申请，可利用车辆行驶在转弯路段所采集到的激光点云数据和惯导数据来计算两坐标系之间平移量在水平的x和y方向上的优化解以及姿态角的优化解。另外，在坡道路段中，所采集到的数据在竖直z方向上的值会发生变化。因此可利用车辆行驶在坡道路段所采集到的激光点云数据和惯导数据来计算两坐标系之间平移量在竖直的z方向上的优化解。本领域技术人员可以理解，也可以利用其他方式来计算两坐标系之间的平移量。例如，利用人工标定的方式，也可基于所采集的激光点云数据和惯导数据标定出两坐标系之间在竖直z方向上的平移量。
[0050] 根据本申请一个实施方式，上述激光坐标系与惯导坐标系之间的姿态角可包括俯仰角(pitch)、偏航角(yaw)和/或翻滚角(roll)。
[0051] 图3示出了根据本申请一个实施方式提取车辆行驶过程中的直行路段、转弯路段和/或坡道路段的流程图。如图3所示，上述步骤S110可包括子步骤S111和S112。在子步骤S111中，根据惯导数据中的均方根数据，选取车辆行驶过程中导航
信号满足预设条件的数据区域。通常，惯导传感器在采集惯导数据时，可输出位置数据、速度和
加速度数据、姿态角数据以及运动轨迹的均方根(RMS)数据。由此，可利用均方根数据判断在车辆行驶过程中，哪一段的导航信号(例如，GPS信号)较好，而哪一段的导航信号较差。如果车辆在行驶到某段道路时，遇到导航信号的遮挡(例如，驶入隧道)，则该惯导传感器在该段道路采集到的均方根数据会有较大漂移，从而由于惯导数据的不准确而不利于激光坐标系和惯导坐标系的标定。为此，可根据实际情况预先设定一定的条件，对于均方根数据满足该条件的路段，则认为导航信号较好，从而选取出该数据区域，以用于后续处理。即，在子步骤S112中，从所选取的数据区域中提取直行路段、转弯路段和/或坡道路段。由此，可避免由于采集到的一部分惯导数据可能存在较大误差而影响标定的精度。
[0052] 图4示出了根据本申请一个实施方式从所选取的数据区域中提取直行路段、转弯路段和/或坡道路段的流程图。如图4所示，上述子步骤S112可包括子步骤S112A和S112B。在子步骤S112A中，根据惯导数据中偏航角的变化，从所选取的数据区域中提取车辆行驶过程中的直行路段和/或转弯路段。如上所述，惯导传感器在采集惯导数据时，可输出位置数据、速度和加速度数据、姿态角数据以及运动轨迹的均方根(RMS)数据。其中，可根据姿态角中的偏航角(yaw)来判断车辆行驶在某段路段中是否有偏航。如果车辆在某路段中惯导数据的偏航角保持不变，则可认为该段路段为直行路段。反之，如果车辆在某路段中惯导数据的偏航角发生持续变化时，则可认为该段路段为转弯路段。
[0053] 在子步骤S112B中，根据惯导数据中竖直方向坐标值的变化，从所选取的数据区域中提取车辆行驶过程中的坡道路段。如上所述，惯导传感器在采集惯导数据时，可输出位置数据、速度和加速度数据、姿态角数据以及运动轨迹的均方根(RMS)数据。其中，可根据车辆在竖直方向(z方向)的位置变化，来判断车辆行驶在某段路段中是否有上下的起伏。坡道路段可分为上坡路段和下坡路段。如果车辆在某路段中惯导数据的z方向坐标值不断增大，则可认为该段路段为上坡路段。反之，如果车辆在某路段中惯导数据的z方向坐标值不断减小，则可认为该段路段为下坡路段。
[0054] 由此，可根据惯导数据提取出车辆在行进过程中的直行路段、转弯路段、坡道路段，以用于后续的计算处理。
[0055] 图5示出了根据本申请一个实施方式分别提取多帧激光点云数据中的平面特征的流程图。如图5所示，上述步骤S120可包括子步骤S121和S122。在子步骤S121中，分别在多帧激光点云数据中，计算数据点的法向量。例如，在激光雷达所采集的激光点云数据中，每一帧点云数据均包含很多个数据点。对于每个数据点，本领域技术人员可利用适当的方式计算其法向量。由于惯导数据在短时间内的相对精度较好，在实际操作中，对于激光点云数据，可选取在时间序列上一段较短时间(例如，小于3s)的多帧点云数据进行平面特征提取。
[0056] 随后，在子步骤S122中，通过上述计算出的各数据的法向量，对数据点进行聚类分割，以分别在多帧激光点云数据中聚类出一个或多个平面特征。在实际操作中，本领域技术人员可采用适当的算法对数据点的法向量进行聚类分割，从而得到激光点云数据的平面特征。
[0057] 图6示出了根据本申请另一实施方式分别提取多帧激光点云数据中的平面特征的流程图。如图6所示，除了子步骤S121和S122，上述步骤S120还可包括子步骤S123和S124。在子步骤S123中，分别确定多帧激光点云数据中提取的平面特征所包含的地面平面特征、墙面平面特征和标识牌平面特征。在车辆行驶过程中，车辆上安装的激光点云数据的采集装置采集周围环境的激光点云数据，通常这些数据会包括道路上的地面、墙面和标识牌。这些平面均可用作平面特征，以用于后续的寻优操作。
[0058] 随后，在子步骤S124中，去除未包含地面平面特征、墙面平面特征和标识牌平面特征全部三者的激光点云数据。对于后续的寻优操作，如果所提取的平面特征主要是某一种平面特征(例如，主要是地面平面特征)，那么有可能会影响标定结果的精度。根据本实施方式，只保留了包含地面平面特征、墙面平面特征和标识牌平面特征全部三者的激光点云数据参与到后续的计算中，而去除了其他激光点云数据，从而有利于得到更加精确的标定结果。
[0059] 图7示出了根据本申请另一实施方式激光坐标系和惯导坐标系的标定方法的流程图。如图7所示，除了步骤S110至S130，该方法100还可包括步骤S140。在步骤S140中，对所提取的平面特征进行
下采样处理，以减少激光点云数据中待计算的数据点。当进行寻优操作的数据量过大时，会影响数据的处理速度，从而不利于所采集数据的实时在线标定。由此，对所提取的平面特征进行下采样处理，可减小寻优计算是的数据处理量，以提高计算速度。
[0060] 根据本申请一个
实施例，上述步骤S140中的下采样处理可以采用不改变原始点结构的下采样处理。在现有技术中，通常的下采样处理的结果往往会改变原始数据点的结构。图8示出了对激光点云数据进行下采样处理的示意图。如图8所示，在下采样处理中，会将一帧激光点云数据分割成多个数据
块，并在每个数据块中采样一个点，作为下采样的结果。图
8即示出了一帧激光点云数据在进行下采样处理时的一个数据块。在现有技术中，通常下采样处理会在每个数据块中取当前各数据点的平均值，作为该数据块的下采样结果，即如图8所示，对于该数据块中的原始数据点轨迹A，通常的下采样处理会将数据点B作为该数据块中的下采样结果。然而，这样会破坏数据点原有的结构。根据本实施例，将采用不改变原始点结构的下采样处理。具体地，如图8所示，将从原始数据点轨迹A上选取与均值点B最接近的数据点C作为该数据块中的下采样结果。这种下采样方式将保留原始数据点的结构，从而有利于提高后续寻优计算的精度。也就是说，在步骤S140中，可先将提取的平面特征分割为多个数据区域，然后在这些数据区域中分别计算每个区域中数据点的平均值，最后可在每个数据区域中，将最接近平均值的数据点作为采样点。
[0061] 图9示出了根据本申请一个实施方式计算激光坐标系与惯导坐标系之间的姿态角和平移量的优化解的流程图。如图9所示，上述步骤S130可包括子步骤S131和S132。在子步骤S131中，根据直行路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿，通过预设的优化算法计算激光坐标系与惯导坐标系之间的姿态角的初值。随后，在子步骤S132中，根据转弯路段和/或坡道路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿以及姿态角的初值，通过预设的优化算法计算激光坐标系与惯导坐标系之间的姿态角和平移量的优化解。根据一个实施例，上述预设的优化算法可以是梯度下降算法。其中，优化解的具体计算过程将在稍后进行详细描述。
[0062] 如图9所示，在步骤S130中，先采用直行路段的数据计算出激光坐标系与惯导坐标系之间的姿态角的初值，例如，pitch0、yaw0、roll0。随后，可将姿态角的初值代入到转弯路段中，以计算出姿态角pitch、yaw、roll的优化解和平移量中x和y分量的优化解；并且将姿态角的初值代入到坡道路段中，以计算出平移量中z分量的优化解。由此，可利用不同路段中采集的数据分别计算坐标标定过程中的姿态角初值和姿态角优化解以及平移量优化解。
[0063] 图10示出了根据本申请一个实施方式通过预设的优化算法计算激光坐标系与惯导坐标系之间的姿态角的初值的流程图。如图10所示，上述子步骤S131可包括子步骤S131A至S131D。该子步骤S131是针对直行路段的数据进行的处理。在子步骤S131A中，根据直行路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿，通过预设的优化算法计算激光坐标系与惯导坐标系之间的姿态角的临时标定结果。在此步骤中，通过预设的优化算法所计算出的结果并没有直接用作为姿态角的初值，而还需要经过后续的去噪声处理和误差
阈值比较，才能够确定是否需要对此步骤进行迭代。
[0064] 随后，在子步骤S131B中，根据临时标定结果，将直行路段的激光点云数据转换到预设的临时世界坐标系中，并对直行路段的激光点云数据在临时世界坐标系中的平面特征进行去噪声处理。在此步骤中，可预设临时的世界坐标系，它可以是假想的世界坐标系(而非真实的世界坐标系)，以用于计算数据误差的大小，并且可将直行路段的激光点云数据转换到该预设的临时世界坐标系中。去噪声处理是为了去除激光点云数据中的平面特征中可能包含的噪声数据，以提高优化解的计算精度。
[0065] 在子步骤S131C中，计算直行路段的激光点云数据在临时世界坐标系中的误差值，并将误差值与预设的阈值进行比较。在此步骤中，可在临时世界坐标系中计算直行路段激光点云数据的误差值，并确认该误差值是否大于预设的阈值。如果误差值较小，即小于或等于预设的阈值，则可认为激光点云数据的计算误差较小，那么将进入子步骤S131D，可以将上述子步骤S131A中得到的姿态角的临时标定结果用作为姿态角的初值，例如，pitch0、yaw0、roll0。反之，如果误差值较大，即大于预设的阈值，则可认为激光点云数据的计算误差较大，那么将返回子步骤S131A，进行迭代处理，直至误差值小于或等于预设的阈值为止。上述在临时世界坐标系中计算的直行路段激光点云数据的误差值，其目的是作为在临时世界坐标系中的一个指标，当误差较小时，则认为当前计算的数据可用，而当误差较大时，则需要再次迭代，直至误差达到满意的范围内。该误差值可以是在临时世界坐标系中，同一个真实平面在多帧激光点云数据中经配准后的距离。也就是说，同一个真实平面在不同帧激光点云数据中所提取到的平面特征经配准后，距离越小，则误差越小。反之，距离越大，则误差越大。
[0066] 图11示出了根据本申请一个实施方式通过预设的优化算法计算激光坐标系与惯导坐标系之间的姿态角和平移量的优化解的流程图。如图11所示，上述步骤S132可包括子步骤S132A至S132D。该子步骤S132是针对转弯路段和坡道路段的数据进行的处理，可采用与子步骤S131A至S131D类似的方式对转弯路段和坡道路段的数据进行处理。
[0067] 在子步骤S132A中，根据转弯路段和/或坡道路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿以及上述子步骤S131中得到的姿态角的初值，通过预设的优化算法计算激光坐标系与惯导坐标系之间的姿态角和平移量的临时标定结果。在此步骤中，通过预设的优化算法所计算出的结果并没有直接用作为姿态角和平移量的优化解，而还需要经过后续的去噪声处理和误差阈值比较，才能够确定是否需要对此步骤进行迭代。
[0068] 随后，在子步骤S132B中，根据临时标定结果，将转弯路段和/或坡道路段的激光点云数据转换到预设的临时世界坐标系中，并对转弯路段和/或坡道路段的激光点云数据在临时世界坐标系中的平面特征进行去噪声处理。与上述子步骤S131B类似，在此步骤S132B中，可预设临时的世界坐标系，它可以是假想的世界坐标系(而非真实的世界坐标系)，以用于计算数据误差的大小，并且可将转弯路段和/或坡道路段的激光点云数据转换到该预设的临时世界坐标系中。去噪声处理是为了去除激光点云数据中的平面特征中可能包含的噪声数据，以提高优化解的计算精度。
[0069] 在子步骤S132C中，计算转弯路段和/或坡道路段的激光点云数据在临时世界坐标系中的误差值，并将误差值与预设的阈值进行比较。在此步骤中，可在临时世界坐标系中计算转弯路段和/或坡道路段激光点云数据的误差值，并确认该误差值是否大于预设的阈值。如果误差值较小，即小于或等于预设的阈值，则可认为激光点云数据的计算误差较小，那么将进入子步骤S132D，可以将上述子步骤S132A中得到的姿态角和平移量的临时标定结果用作为姿态角和平移量的优化解，例如，pitch、yaw、roll和x、y、z。反之，如果误差值较大，即大于预设的阈值，则可认为激光点云数据的计算误差较大，那么将返回子步骤S132A，进行迭代处理，直至误差值小于或等于预设的阈值为止。
[0070] 根据本申请一个实施方式，可利用RANSAC算法进行上述去噪声处理。
[0071] 由此，可通过迭代计算的方式先利用直行路段的数据得到激光坐标系和惯导坐标系之间的姿态角的初值，然后再通过迭代计算的方式利用转弯和/或坡道路段的数据得到两坐标系之间的姿态角和平移量的优化解，从而完成寻优处理过程，实现两坐标系之间的精确标定。
[0072] 图12示出了根据本申请激光点云数据的标定结果示意图。如图12中的上半部(a)所示为原始采集到的激光点云数据，其处于激光坐标系中。如图12中的下半部(b)所示为经过本申请的标定方法处理后，将点云数据转换至车辆坐标系中的示意图。
[0073] 图13示出了根据本申请一个实施方式的激光坐标系和惯导坐标系的标定装置的示意图。如图13所示，该装置200可包括：路段提取单元210、提取记录单元220、优化解计算单元230。路段提取单元210根据车辆行驶过程中采集的惯导数据，提取车辆行驶过程中的直行路段、转弯路段和/或坡道路段。提取记录单元220在所提取的直行路段、转弯路段和/或坡道路段中，分别提取多帧激光点云数据中的平面特征，并记录所提取的平面特征中的数据点相对应的惯导数据中的轨迹位姿。优化解计算单元230根据所述直行路段、转弯路段和/或坡道路段中不同路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿，计算得出所述激光坐标系与所述惯导坐标系之间的姿态角和平移量的优化解。
[0074] 根据本申请一个实施方式，所述姿态角包括俯仰角、偏航角和/或翻滚角。
[0075] 图14示出了根据本申请一个实施方式的路段提取单元的示意图。如图14所示，路段提取单元210可包括数据区域选取子单元211和提取子单元212。数据区域选取子单元211根据所述惯导数据中的均方根数据，选取车辆行驶过程中导航信号满足预设条件的数据区域。提取子单元212从所选取的数据区域中提取直行路段、转弯路段和/或坡道路段。
[0076] 图15示出了根据本申请一个实施方式的提取子单元的示意图。如图15所示，提取子单元212可包括第一提取模块212A和第二提取模块212B。第一提取模块212A根据所述惯导数据中偏航角的变化，从所选取的数据区域中提取车辆行驶过程中的直行路段和/或转弯路段。第二提取模块212B根据所述惯导数据中竖直方向坐标值的变化，从所选取的数据区域中提取车辆行驶过程中的坡道路段，所述坡道路段包括上坡路段和下坡路段。
[0077] 图16示出了根据本申请一个实施方式的提取记录单元的示意图。如图16所示，提取记录单元220可包括计算子单元221和聚类子单元222。计算子单元221分别在所述多帧激光点云数据中，计算数据点的法向量。聚类子单元222通过所述法向量，对所述数据点进行聚类分割，以分别在所述多帧激光点云数据中聚类出一个或多个平面特征。
[0078] 图17示出了根据本申请另一实施方式的提取记录单元的示意图。如图17所示，除了计算子单元221和聚类子单元222，提取记录单元220还可包括确
定子单元223和去除子单元224。确定子单元223分别确定所述多帧激光点云数据中提取的平面特征所包含的地面平面特征、墙面平面特征和标识牌平面特征。去除子单元224去除未包含地面平面特征、墙面平面特征和标识牌平面特征全部三者的激光点云数据。
[0079] 图18示出了根据本申请另一实施方式的激光坐标系和惯导坐标系的标定装置的示意图。如图18所示，除了路段提取单元210、提取记录单元220、优化解计算单元230，该装置200还可包括下采样单元240。下采样单元240对所提取的平面特征进行下采样处理，以减少所述激光点云数据中待计算的数据点。
[0080] 根据本申请一个实施方式，上述下采样处理为不改变原始点结构的下采样处理。下采样单元240用于将所提取的平面特征分割为多个数据区域；在所述多个数据区域中分别计算数据点的平均值；在所述多个数据区域中，分别将最接近所述平均值的数据点作为采样点。
[0081] 图19示出了根据本申请一个实施方式的优化解计算单元的示意图。如图19所示，优化解计算单元230可包括初值计算子单元231和优化解计算子单元232。初值计算子单元231根据所述直行路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿，通过预设的优化算法计算所述激光坐标系与所述惯导坐标系之间的姿态角的初值。优化解计算子单元232根据所述转弯路段和/或坡道路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿以及所述姿态角的初值，通过所述预设的优化算法计算所述激光坐标系与所述惯导坐标系之间的姿态角和平移量的优化解。
[0082] 根据本申请一个实施方式，上述预设的优化算法为梯度下降算法。
[0083] 图20示出了根据本申请一个实施方式的初值计算子单元的示意图。如图20所示，初值计算子单元231可包括临时标定模块231A、转换去噪模块231B、误差计算比较模块231C、判断模块231D。临时标定模块231A根据所述直行路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿，通过预设的优化算法计算所述激光坐标系与所述惯导坐标系之间的姿态角的临时标定结果。转换去噪模块231B根据所述临时标定结果，将所述直行路段的激光点云数据转换到预设的临时世界坐标系中，并对所述直行路段的激光点云数据在所述临时世界坐标系中的平面特征进行去噪声处理。误差计算比较模块231C计算所述直行路段的激光点云数据在所述临时世界坐标系中的误差值，并将所述误差值与预设的阈值进行比较。判断模块231D当所述误差值小于或等于所述预设的阈值时，将所述姿态角的临时标定结果作为所述姿态角的初值，并且当所述误差值大于所述预设的阈值时，将所述转换去噪模块的处理结果发送至所述临时标定模块再次进行处理。
[0084] 图21示出了根据本申请一个实施方式的优化解计算子单元的示意图。如图21所示，优化解计算子单元232可包括临时标定模块232A、转换去噪模块232B、误差计算比较模块232C、判断模块232D。临时标定模块232A根据所述转弯路段和/或坡道路段的激光点云数据中的平面特征和惯导数据中相应的轨迹位姿以及所述姿态角的初值，通过预设的优化算法计算所述激光坐标系与所述惯导坐标系之间的姿态角和平移量的临时标定结果。转换去噪模块232B根据所述临时标定结果，将所述转弯路段和/或坡道路段的激光点云数据转换到预设的临时世界坐标系中，并对所述转弯路段和/或坡道路段的激光点云数据在所述临时世界坐标系中的平面特征进行去噪声处理。误差计算比较模块232C计算所述转弯路段和/或坡道路段的激光点云数据在所述临时世界坐标系中的误差值，并将所述误差值与预设的阈值进行比较。判断模块232D当所述误差值小于或等于所述预设的阈值时，将所述姿态角和平移量的临时标定结果作为所述姿态角和平移量的优化解，并且当所述误差值大于所述预设的阈值时，将所述转换去噪模块的处理结果发送至所述临时标定模块再次进行处理。
[0085] 根据本申请一个实施方式，利用RANSAC算法进行所述去噪声处理。
[0086] 本领域技术人员可以理解，本申请的技术方案可实施为系统、方法或计算机程序产品。因此，本申请可表现为完全
硬件的实施例、完全
软件的实施例(包括
固件、常驻软件、
微码等)或将软件和硬件相结合的实施例的形式，它们一般可被称为“
电路”、“模块”或“系统”。此外，本申请可表现为计算机程序产品的形式，所述计算机程序产品嵌入到任何有形的表达介质中，所述有形的表达介质具有嵌入到所述介质中的计算机可用程序代码。
[0087] 参照根据本申请实施例的方法、装置(系统)和计算机程序产品的流程图和/或
框图来描述本申请。可以理解的是，可由计算机程序指令执行流程图和/或框图中的每个框、以及流程图和/或框图中的多个框的组合。这些计算机程序指令可提供给通用目的计算机、专用目的计算机或其它可编程数据处理装置的处理器，以使通过计算机或其它可编程数据处理装置的处理器执行的指令创建用于实现流程图和/或框图的一个框或多个框中指明的功能/动作的装置。
[0088] 这些计算机程序指令还可存储于能够指导计算机或其它可编程数据处理装置以特定的方式实现功能的计算机可读介质中，以使存储于计算机可读介质中的指令产生包括实现流程图和/或框图中的一个框或多个框中指明的功能/动作的指令装置。
[0089] 计算机程序指令还可加载到计算机或其它可编程数据处理装置上，以引起在计算机上或其它可编程装置上执行一连串的操作步骤，以产生计算机实现的过程，从而使在计算机或其它可编程装置上执行的指令提供用于实现流程图和/或框图中的一个框或多个框中指明的功能/动作的过程。
[0090] 附图中的流程图和框图示出根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这点上，流程图或框图中的每个框可表示一个模块、区段或代码的一部分，其包括一个或多个用于实现特定逻辑功能的可执行指令。还应注意，在一些可替代性实施中，框中标注的功能可以不按照附图中标注的顺序发生。例如，根据所涉及的功能性，连续示出的两个框实际上可大致同时地执行，或者这些框有时以相反的顺序执行。还可注意到，可由执行特定功能或动作的专用目的的基于硬件的系统、或专用目的硬件与计算机指令的组合来实现框图和/或流程图示图中的每个框、以及框图和/或流程图示图中的多个框的组合。
[0091] 虽然以上的叙述包括很多特定布置和参数，但需要注意的是，这些特定布置和参数仅仅用于说明本申请的一个实施方式。这不应该作为对本申请范围的限制。本领域技术人员可以理解，在不脱离本申请范围和精神的情况下，可对其进行各种
修改、增加和替换。因此，本申请的范围应该基于所述
权利要求来解释。
