《智能駕駛之激光雷達算法詳解》基于激光雷達的車體外參標定

jinchanchanwaji

介紹激光雷達相對車體的位置和姿態(tài)的獲取方法，即激光雷達的外參標定。靜態(tài)標定需要專業(yè)設(shè)備和場地，如四輪定位臺架、標定板、激光測距儀和全站儀等設(shè)備。

        在現(xiàn)今的汽車工業(yè)領(lǐng)域，整車廠普遍采用靜態(tài)標定室對LiDAR、相機及雷達等傳感器進行高精度校準。靜態(tài)標定的核心在于設(shè)備的精準度與數(shù)據(jù)質(zhì)量，而高精度標定工具的成本往往高達數(shù)十萬至數(shù)百萬人民幣，價格波動受配置與精度需求影響顯著。然而，車輛投入使用后，持續(xù)的振動與行駛中的輕微碰撞可能導致傳感器外部參數(shù)變化，從而影響輔助駕駛系統(tǒng)的感知與定位效能。鑒于此，近年來，科研機構(gòu)與車企正積極探索動態(tài)標定技術(shù)，即在車輛實際行駛過程中，實時校準傳感器外部參數(shù)或監(jiān)測其位姿狀態(tài)。本章聚焦于LiDAR的動態(tài)外參標定，基于國內(nèi)外研究前沿，我們將其歸納為三大研究方向：首先，利用道路特征與預(yù)設(shè)標定物進行標定，如通過擬合地面推算LiDAR相對于車體地面的垂直高度、俯仰角及翻滾角，而偏航角的校準則可能依賴路邊垂直標志物，如路燈、標定樁等，或通過分析LiDAR掃描地面形成的特定波形（如大傾角下的雙曲線）來確定。此類方法的前提是假設(shè)地面絕對水平，并據(jù)此反向推算傳感器參數(shù)。算法需要地面水平或垂直的參考物體的先驗信息，但在實際駕駛過程中很難得到保證。基于手眼模型的外參標定方法可以用于機械手上攝像頭和具有定位功能的傳感器標定，通過求解AX-XB的等式約束方程得到外參矩陣X。百度Apoo和英偉達的DriveWork都使用手眼標定算法實現(xiàn)激光雷達和IMU之間的標定。另一種基于點云特征優(yōu)化的外參標定方法需要建立點云地圖，通過非線性優(yōu)化獲取外參標定結(jié)果。Levinson和Thrunl提出了一種無監(jiān)督的外參標定算法，通過對能量方程進行優(yōu)化搜索獲取LiDAR的外參標定參數(shù)。其他方法涉及點云特征分析、Reny Qu1tropy函數(shù)優(yōu)化、局部鄰域點共面性、點云地圖構(gòu)建和優(yōu)化等。
        SSAC算法是基于道路、標定物特征的LiDAR動態(tài)外參標定算法。該算法分為兩個階段：第一階段通過地面點云進行平面擬合，得到水平地面在激光雷達坐標系下的方程，并利用粒子群優(yōu)化算法求得俯仰角pitch、橫滾角roll和高度Az；第二階段在車輛直線行駛過程中分析同一個標定桿對應(yīng)的點云特征，通過聚類獲取標定桿的中心點，計算求解出激光雷達相對車體的偏航角yaw。通過上述步驟即可完成對激光雷達4個外參的標定。構(gòu)建水平度函數(shù)，使水平度趨近于0。通過粒子群優(yōu)化算法進行最小化。PSO是一種啟發(fā)式直接搜索算法。算法把優(yōu)化問題的設(shè)計域抽象為“飛行空間”，把解抽象為“粒子”。每個粒子通過自身飛行記錄和整個粒子群體的經(jīng)驗確定下一步的飛行狀態(tài)。標準的PSO算法用于解決單目標連續(xù)優(yōu)化問題。算法流程包括輸入原始地面點云數(shù)據(jù)、初始化參數(shù)、計算水平度值、更新最優(yōu)點、得到新的粒子種群，直至達到最大選代次數(shù)或搜索到的水平度小于設(shè)定閥值。
基于手眼模型的LiDAR外參標定，通過分析手眼模型的基本原理，使用Tasi算法、Navy算法或Nguyen算法進行求解。采用兩步法將旋轉(zhuǎn)變量和平移變量的求解過程分離，簡化求解過程，選取基于李群的Navy算法進行分析。Navy算法是由 Frank C,Park和 Bryan」.Martin等于 1994 年提出的，其針對我們在機器人傳感器標定中遇到的 4X-XB等式求解問題，引入了李群、李代數(shù)理論，并結(jié)合非線性最小乘法，推導出了手眼模型的封閉解。
        基于手眼模型的激光雷達外參標定方法在DriveWorks中的應(yīng)用。通過LSC標定激光雷達相對車體的翻滾角、俯仰角、偏航角以及高度差。標定要求誤差不超過10"和10cm，車輛速度不低于5km/h，標定總時長不超過10min。通過地面擬合實現(xiàn)激光雷達外參中的翻滾角、俯仰角和高度的標定。通過對擬合地平面的法向量進行分析求解參數(shù)。利用Eigen庫實現(xiàn)軸角、旋轉(zhuǎn)矩陣、歐拉角和四元數(shù)之間的變換。通過車輛和激光雷達的運動變化量進行偏航角和俯仰角的標定。最終輸出標定結(jié)果。
        LiDAR外部參數(shù)標定：累積點云特征優(yōu)化的新視角。近年來，學術(shù)界在LiDAR外部參數(shù)標定領(lǐng)域取得了顯著進展，特別是通過累積點云特征優(yōu)化的方法。這一創(chuàng)新路徑擺脫了傳統(tǒng)對標定物或外界先驗信息的依賴，展現(xiàn)出了獨特的優(yōu)勢。其核心理念在于：當LiDAR的外部參數(shù)精確標定時，靜止物體在世界坐標系下的表面在累積的點云地圖中會呈現(xiàn)出鮮明、清晰的邊界輪廓。反之，若標定不準確，同一物體的表面在點云映射中則可能表現(xiàn)為模糊、層次錯亂的形態(tài)，如圖3-7直觀所示，這一差異成為了評估和優(yōu)化LiDAR外參的重要依據(jù)。

基于累積點云特征優(yōu)化的LDAR外參標定
        本節(jié)聚焦于 AESC-MMS，專為移動建圖系統(tǒng)設(shè)計，旨在精準標定激光雷達與位姿估計傳感器（如 IMUGPS 或運行 SLAM 的攝像頭）之間的外部參數(shù)。GitHub 平臺上的 markushillemann/Feat-Calibr 倉庫慷慨地分享了該算法的源代碼，供業(yè)界同仁學習與研究。
        AESC-MMS 算法的核心流程如圖 3-8 清晰展現(xiàn)：利用 LiDAR 的初始外部參數(shù)作為基礎(chǔ)，結(jié)合連續(xù)采集的多幀激光點云數(shù)據(jù)及相應(yīng)的位姿信息，精心構(gòu)建出一個世界坐標系下的累積點云地圖。這一過程不僅融合了空間數(shù)據(jù)的豐富性，還確保了時間上的連貫性，為后續(xù)的自標定工作奠定了堅實的基礎(chǔ)。

        DyLESC算法是一種用于激光雷達外參標定的動態(tài)標定算法，可以通過非線性優(yōu)化來優(yōu)化yaw角度和pitch角度，而roll角度和高度z則采用反算方式求解。算法的輸入是原始激光點云和車輛的運動信息，通過篩選車輛運動狀態(tài)符合條件的點云進行標定。為避免目標運動對點云質(zhì)量的影響，算法還可接入目標檢測結(jié)果，去除行人、車輛等物體的激光點。在構(gòu)建子地圖Map后，對模糊度函數(shù)進行優(yōu)化，最終使用RANSAC算法去除異常值，得到最終的外參標定結(jié)果。DyLESC算法用于點云運動畸變矯正。選擇抽取平面特征點進行分析以減少計算開銷。不同算法有不同方法抽取平面特征點，如 LOAM 算法使用廣義曲率，TC-LVIO 算法使用 Hessian 矩陣，DyLESC 算法選取 LOAM 算法中的計算方式。若激光雷達外參標定準確，累積點云地圖中的平面應(yīng)呈現(xiàn)斷的邊界特征，且不同幀之間的同一平面應(yīng)盡可能重合。通過計算子地圖中點云與面元的距離來近似表達子地圖的模糊程度。

另外最近部門招聘，要求如下：
內(nèi)外飾數(shù)字模型工程師      
1、負責內(nèi)飾全倉數(shù)字模型設(shè)計工作
2、對內(nèi)飾零部件有充分了解、IP、門板、console等零部件
3、負責內(nèi)飾IP、門板、座椅、console、頂棚、立柱等零部件的設(shè)計工作
4、掌握內(nèi)飾零部件之間的配合關(guān)系，并完整表達設(shè)計意圖。      

要求
1、大專及以上學歷，藝術(shù)設(shè)計、工業(yè)設(shè)計相關(guān)專業(yè)
2、熟練使用ALIAS軟件
3、 測試A級至少5-8年實際CAS、A面設(shè)計工作經(jīng)驗 測試B級至少3-5年CAS、A面設(shè)計工作經(jīng)驗
4、善于團隊合作、有責任心、敢于擔當、工作主動積極