激光雷达的内参建模与点云修正方法

doi:10.19562/j.chinasae.qcgc.2021.08.015

摘要/Abstract

摘要：

本文中建立了一种针对机械式激光雷达参数较少的内参模型；考虑到偏心结构对于点云的影响，提出了角度修正和距离修正两种点云修正方法，对两种方法的修正效果进行仿真，并通过实际点云加以验证。最后还用位姿估计算法验证修正算法的有效性。

Abstract:

In this paper， an intrinsic parameter model with less parameters and dedicated to mechanical LiDAR is established， and in view of the effects of eccentric structure on point cloud， two point?cloud correction methods （angle and distance corrections） are proposed. A simulation is conducted on the effects of two correction methods， with its results verified by real point cloud. Finally， a pose estimation algorithm is also used to validate the effectiveness of the correction methods proposed.

Key words: LiDAR, intrinsic model：simultaneous localization and mapping, LeGO?LOAM

张晓龙,江昆,孙恺,刘茂林,邵振雷,肖鹏川,杨殿阁. 激光雷达的内参建模与点云修正方法[J]. 汽车工程, 2021, 43(8): 1228-1237.

Xiaolong Zhang,Kun Jiang,Kai Sun,Maolin Liu,Zhenlei Shao,Pengchuan Xiao,Diange Yang. Intrinsic Parameters Modeling for LiDAR and Point Cloud Correction Method[J]. Automotive Engineering, 2021, 43(8): 1228-1237.

图/表 24

图1

表1

内参建模方法整理"

时间	作者	$δ ρ$	$δ θ$	$δ φ$	$s$	$h$	$v$
2010	Pandey^［9］	√	√	×	×	×	×
2010	Muhammad^［4］	√	√	√	×	√	√
2010	Glennie^［8］	√	√	√	√	√	√
2011	Atanacio^［10］	√	√	√	×	√	√
2012	Mirzaei^［11］	√	√	×	√	√	√
2012	Chen^［12］	√	√	×	√	√	√
2013	Zhu^［13］	√	√	√	√	√	√
2013	Chan^［14］	√	√	√	×	×	×
2016	Nouira^［15］	√	√	√	×	×	√
2017	Bergelt^［16］	√	√	√	√	√	√

表1

图2

图3

图4

图5

图6

图7

图8

图9

图10

表2

线束参数选择"

线束	$β / ? °$	$α / ? °$
1	14.807 6	-0.061 3
6	9.783 23	-0.061 4
11	4.824 82	-0.052 3
16	0.301 25	-0.060 3
17	-0.683 9	-0.067 5
22	-5.657 4	-0.080 4
27	-10.642	-0.099 9
32	-15.676	-0.117 3

表2

图11

图12

图13

图14

表3

表4

图15

表5

绝对位姿误差统计结果"

序列	修正方式	$A P E t r a n s / m$	$A P E r o t / (°)$
1	原始点云	14.060	3.258
	角度修正	13.845	3.212
	距离修正	13.853	3.214
2	原始点云	9.533	2.741
	角度修正	9.450	2.686
	距离修正	9.326	2.690
3	原始点云	5.531	1.950
	角度修正	5.450	1.916
	距离修正	5.474	1.922

表5

图 16

表6

里程计误差统计结果"

序列	修正方式	$E t r a n s / %$	$E r o t / (°) ? m - 1$
1	原始点云	2.566	0.846
	角度修正	2.524	0.833
	距离修正	2.529	0.835
2	原始点云	1.540	0.666
	角度修正	1.530	0.656
	距离修正	1.515	0.655
3	原始点云	2.072	0.772
	角度修正	2.055	0.768
	距离修正	2.056	0.766

表6

图17

表7

参考文献 25

1	RESHETYUK Y. Investigation and calibration of pulsed time⁃of⁃flight terrestrial laser scanners［D］. Stockholm： Royal Institute of Technology， 2006.
2	《中国公路学报》编辑部. 中国汽车工程学术研究综述·2017［J］. 中国公路学报， 2017， 30（6）： 1-197.
	Editorial Department of China Journal of Highway and Transport. Review on China’s automotive engineering research progress： 2017［J］. China Journal of Highway and Transport， 2017， 30（6）： 1-197.
3	陈敬业，时尧成. 固态激光雷达研究进展［J］. 光电工程， 2019， 46（7）： 47-57.
	CHEN J Y， SHI Y C. Research progress in solid⁃state LiDAR［J］. Opto⁃Electronic Engineering， 2019， 46（7）： 47-57.
4	MUHAMMAD N， LACROIX S. Calibration of a rotating multi⁃beam lidar［C］.2010 IEEE/RSJ International Conference on Intelligent Robots and Systems. IEEE， 2010.
5	CHEN C Y， CHIEN H J. On⁃site sensor recalibration of a spinning multi⁃beam LiDAR system using automatically⁃detected planar targets［J］. Sensors， 2012， 12（10）： 13736-13752.
6	LEVINSON J， THRUN S. Unsupervised calibration for multi⁃beam lasers［M］// Experimental Robotics. Springer Berlin Heidelberg， 2014.
7	HUANG J K， FENG C X， ACHAR M， et al. Global unifying intrinsic calibration for spinning and solid⁃state LiDARs［J］. ArXiv， 2020， 2012.03321.
8	GLENNIE C， LICHTI D D. Static calibration and analysis of the velodyne HDL⁃64E S2 for high accuracy mobile scanning［J］. Remote Sensing， MDPI AG， 2010， 2（6）： 1610–1624.
9	PANDEY G， MCBRIDE J， SAVARESE S， et al. Extrinsic calibration of a 3D laser scanner and an omnidirectional camera［J］. IFAC Proceedings Volumes， 2010， 43（16）： 336-341.
10	ATANACIO⁃JIMENEZ G， GONZALEZ⁃BARBOSA J J， HURTADO⁃RAMOS J B， et al. LiDAR velodyne HDL⁃64e calibration using pattern planes［J］. International Journal of Advanced Robotic Systems， 2011， 8（5）.
11	MIRZAEI F M， KOTTAS D G， ROUMELIOTIS S I. 3D LiDAR⁃camera intrinsic and extrinsic calibration： identifiability and analytical least⁃squares⁃based initialization［J］. International Journal of Robotics Research， 2012， 31（4）：452-467.
12	CHEN C Y， CHEIN H J， HUANG P S， et al. Intrinsic parameters calibration for multi⁃beam LiDAR using the levenberg⁃marquardt algorithm［C］. Proceedings of the 27th Conference on Image and Vision Computing. New York： Association for Computing Machinery， 2012： 19-24.
13	ZHU Z， LIU J L. Calibration of a multi⁃beam LiDAR by using linear instrumental error model［J］. Applied Mechanics and Materials， 2013： 380-384.
14	CHAN T O， LICHTI D D， BELTON D. Temporal analysis and automatic calibration of the velodyne HDL⁃32E LiDAR system［J］. Political Studies， 2013， II⁃5/W2（4）：61-66.
15	NOUIRA H， DESCHAUD J E， GOULETTE F. Point cloud refinement with a target⁃free intrinsic calibration of a mobile multi⁃beam LiDAR system［J］. ISPRS⁃International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences， 2016， XLI⁃B3： 359-366.
16	BERGELT R， KHAN O， HARDT W. Improving the intrinsic calibration of a velodyne LiDAR sensor［C］. IEEE SENSORS 2017. IEEE， 2017.
17	LIU J， XIAO J H， CAO H J， et al. The status and challenges of high precision map for automated driving［C］. China Satellite Navigation Conference （CSNC） 2019 Proceedings. Singapore： Springer Singapore， 2019： 266-276.
18	LIU R， WANG J， ZHANG B. High definition map for automated driving： overview and analysis［J］. Journal of Navigation， 2019， 73（2）：1-18.
19	高翔，张涛，刘毅，等. 视觉SLAM十四讲［M］. 北京：电子工业出版社， 2019.
	GAO X， ZHANG T， LIU Y， et al. 14 Lectures on visual SLAM： from theory to practice［M］. Beijing： Publishing House of Electronics Industry， 2019.
20	CADENA C， CARLONE L， CARRILLO H， et al. Simultaneous localization and mapping： present， future， and the robust⁃perception age［J］. ArXiv， 2016， 1606.05830.
21	ZHANG J， SINGH S. LOAM： lidar odometry and mapping in real-time［C］. Robotics： Science and Systems Conference， 2014.
22	ZHANG J， SINGH S. Low⁃drift and real⁃time lidar odometry and mapping［J］. Autonomous Robots， 2017， 41（2）： 401-416.
23	SHAN T X， ENGLOT B. LeGO⁃LOAM： lightweight and ground⁃optimized lidar odometry and mapping on variable terrain［C］.
	2018 IEEE/RSJ International Conference on Intelligent Robots and Systems （IROS）， Madrid， Spain， 2018： 4758-4765.
24	TORR P H S， ZISSERMAN A. MLESAC： a new robust estimator with application to estimating image geometry［J］. Computer Vision and Image Understanding， 2000， 78（1）： 138-156.
25	GEIGER A， LENZ P， URTASUN R. Are we ready for autonomous driving？ the KITTI vision benchmark suite［C］. IEEE Conference on Computer Vision & Pattern Recognition. IEEE， 2012.

标定板	误差/mm			距离/m
标定板	无修正	角度修正	距离修正	距离/m
1	14.950 091	4.595 796	4.595 825	3.088 4
2	8.417 082	6.708 674	6.710 810	0.681 8
3	12.224 109	5.371 252	5.371 180	7.532 2
4	11.119 527	6.157 632	6.157 584	10.120 4
5	7.231 133	6.950 977	6.950 979	8.294 8

序列	距离/m	时长/s	场景
1	725.341	130	郊区公路
2	904.852	145	商业区
3	721.770	150	商业区

处理时间/s	原始点云	角度修正	距离修正
最小值	0.004 417	0.007 857	0.006 129
最大值	0.027 911	0.039 759	0.032 850
平均值	0.012 734	0.019 324	0.016 343

[1]	伍文广,田双岳,张志勇,金斌,邱增华. 凸凹不平道路几何参数识别和模型重构方法研究[J]. 汽车工程, 2023, 45(2): 273-284.
[2]	王海,李洋,蔡英凤,孙恺,陈龙. 基于激光雷达的3D实时车辆跟踪[J]. 汽车工程, 2021, 43(7): 1013-1021.
[3]	龚章鹏,王国业,于是. 基于体素网络的道路场景多类目标识别算法[J]. 汽车工程, 2021, 43(4): 469-477.
[4]	罗玉涛,秦瀚. 基于稀疏彩色点云的自动驾驶汽车3D目标检测方法[J]. 汽车工程, 2021, 43(4): 492-500.
[5]	姜武华,周松林,王其东,陈无畏,陈佳佳. 基于自适应多特征融合的路沿检测与跟踪方法研究[J]. 汽车工程, 2021, 43(12): 1762-1770.
[6]	赵治国,王鹏,陈晓蓉,梁凯冲. 转向避撞工况下装载激光雷达车辆的障碍物跟踪[J]. 汽车工程, 2021, 43(11): 1611-1619.
[7]	徐国艳, 牛欢, 郭宸阳, 苏鸿杰. 基于三维激光点云的目标识别与跟踪研究^*[J]. 汽车工程, 2020, 42(1): 38-46.
[8]	娄新雨, 王海, 蔡英凤, 郑正扬, 陈龙. 采用64线激光雷达的实时道路障碍物检测与分类算法的研究[J]. 汽车工程, 2019, 41(7): 779-754.
[9]	范晶晶, 王力, 褚文博, 罗禹贡. 基于KDTree树和欧式聚类的越野环境下行人识别的研究^*[J]. 汽车工程, 2019, 41(12): 1410-1415.
[10]	谢德胜,徐友春,王任栋，苏致远. 基于三维激光雷达的无人车障碍物检测与跟踪[J]. 汽车工程, 2018, 40(8): 952-959.