车辆相对角度的检测方法及装置、电子设备、存储介质与流程

1.本技术涉及自动驾驶技术领域，特别涉及一种车辆相对角度的检测方法及装置、电子设备、存储介质。


背景技术：

2.对于部分较大的卡车，其由牵引车和挂车通过铰接进行连接组成，所以在牵引车转向时，牵引车与挂车会出现一定的相对角度。而对于牵引车与挂车的相对角度的准确检测，对于车辆的辅助驾驶和自动驾驶都具有重要的意义。
3.现有检测牵引车与挂车的相对角度，主要是在牵引车上安装摄像头，通过摄像头拍摄挂车上固定标志物的图像信息，并进一步基于获取到的图像信息确定牵引车与挂车之间的相对角度。
4.但是由于摄像头容易受光线和天气等外界因素的影响，在光线条件较差的环境下或在雨雪天时，摄像头容易出现无法准确获取到固定标志物的图像信息的情况，从而无法有效地保证检测到牵引车与挂车之间准确的相对角度。


技术实现要素：

5.基于上述现有技术的不足，本技术提供了一种车辆相对角度的检测方法及装置、电子设备、存储介质，以解决现有方法无法有效保证能准确检测牵引车与挂车之间的相对角度的问题。
6.为了实现上述目的，本技术提供了以下技术方案：
7.本技术第一方面提供了一种车辆相对角度的检测方法，包括：
8.获取安装于牵引车左右两侧的两个三维激光雷达，当前采集到的挂车左右两侧的两个标记物的点云数据；
9.将两个所述标记物中所述点云数据的数据量较大的所述标记物，确定为目标标记物；
10.基于所述目标标记物的点云数据，确定当前目标角度信息；其中，所述当前目标角度信息为当前所述牵引车与所述挂车的相对角度相关联的目标角度信息；
11.基于所述当前目标角度信息计算当前所述牵引车与所述挂车的相对角度。
12.可选地，在上述的车辆相对角度的检测方法中，所述目标角度信息为所述目标标记物上的感兴趣检测点连接所述挂车的铰接中心的直线与目标水平线的角度；所述目标水平线为过所述目标标记物上的感兴趣检测点，且与所述牵引车的对称轴垂直的水平线；
13.其中，所述基于所述当前目标角度信息计算当前所述牵引车与所述挂车的相对角度，包括：
14.计算所述目标标记物对应的标定目标角度信息与所述当前目标角度信息的差值，得到当前所述牵引车与所述挂车的相对角度；其中，所述目标标记物对应的标定目标角度信息为所述牵引车与所述挂车的相对角度为零时所述目标角度信息。
15.可选地，在上述的车辆相对角度的检测方法中，所述获取安装于牵引车左右两侧的两个三维激光雷达，当前采集到的挂车左右两侧的两个标记物的点云数据，包括：
16.获取设置于所述牵引车左右两侧的两个所述三维激光雷达当前采集到的点云数据；
17.将预先测定的所述牵引车的点云数据从当前感兴趣点云数据中剔除，得到两个所述标记物的点云数据；其中，所述当前感兴趣点云数据为当前采集到的所述点云数据中处于预设感兴趣区域中的点云数据。
18.可选地，在上述的车辆相对角度的检测方法中，所述基于所述目标标记物的点云数据，确定当前目标角度信息，包括：
19.计算所述目标标记物的点云数据中的每个点与所述目标标记物同侧的所述三维激光雷达的距离；
20.将与所述目标标记物同侧的所述三维激光雷达的距离最大的点确定为所述目标标记物上的感兴趣检测点；
21.基于所述目标标记物上的感兴趣检测点的坐标，以及所述挂车的铰接中心的坐标，计算当前所述目标标记物上的感兴趣检测点连接所述挂车的铰接中心的直线与目标水平线的角度，得到所述当前目标角度信息。
22.可选地，在上述的车辆相对角度的检测方法中，所述基于所述当前目标信息计算当前所述牵引车与所述挂车的相对角度之后，还包括：
23.利用卡尔曼滤波算法对当前所述牵引车与所述挂车的相对角度进行滤波处理，得到当前所述牵引车与所述挂车的优化相对角度。
24.可选地，在上述的车辆相对角度的检测方法中，所述利用卡尔曼滤波算法对当前所述牵引车与所述挂车的相对角度进行滤波处理，得到当前所述牵引车与所述挂车的优化相对角度，包括：
25.计算当前所述牵引车与所述挂车的理论相对角度；
26.基于利用卡尔曼滤波算法，对当前所述牵引车与所述挂车的理论相对角度以及当前所述牵引车与所述挂车的相对角度进行综合运算，得到当前所述牵引车与所述挂车的优化相对角度。
27.可选地，在上述的车辆相对角度的检测方法中，所述基于利用卡尔曼滤波算法，对当前所述牵引车与所述挂车的理论相对角度以及当前所述牵引车与所述挂车的相对角度进行综合运算，得到当前所述牵引车与所述挂车的优化相对角度，包括：
28.利用上一时刻的误差方差以及过程噪声方差，计算得到当前误差方差预测值；
29.利用所述当前误差方差预测值、测量噪声方差以及测量系数，计算当前卡尔曼增益；
30.计算当前所述牵引车与所述挂车的相对角度减去当前所述牵引车与所述挂车的理论相对角度与所述测量系数的乘积，得到角度差值；
31.将当前所述牵引车与所述挂车的理论相对角度加上所述角度差值与所述当前卡尔曼增益的乘积，得到当前所述牵引车与所述挂车的优化相对角度。
32.本技术第二方面提供了一种车辆相对角度的检测装置，包括：
33.获取单元，用于获取安装于牵引车左右两侧的两个三维激光雷达，当前采集到的
挂车左右两侧的两个标记物的点云数据；
34.确定单元，用于将两个所述标记物中所述点云数据的数据量较大的所述标记物，确定为目标标记物；
35.目标信息计算单元，用于基于所述目标标记物的点云数据，确定当前目标角度信息；其中，所述当前目标角度信息为当前所述牵引车与所述挂车的相对角度相关联的目标角度信息；
36.相对角度计算单元，用于基于所述当前目标角度信息计算当前所述牵引车与所述挂车的相对角度。
37.可选地，在上述的车辆相对角度的检测装置中，所述目标角度信息为所述目标标记物上的感兴趣检测点连接所述挂车的铰接中心的直线与目标水平线的角度；所述目标水平线为过所述目标标记物上的感兴趣检测点，且与所述牵引车的对称轴垂直的水平线；
38.其中，所述相对角度计算单元，包括：
39.相对角度计算子单元，用于计算所述目标标记物对应的标定目标角度信息与所述当前目标角度信息的差值，得到当前所述牵引车与所述挂车的相对角度；其中，所述目标标记物对应的标定目标角度信息为所述牵引车与所述挂车的相对角度为零时所述目标角度信息。
40.可选地，在上述的车辆相对角度的检测装置中，所述获取单元，包括：
41.获取子单元，用于获取设置于所述牵引车左右两侧的两个所述三维激光雷达当前采集到的点云数据；
42.剔除单元，用于将预先测定的所述牵引车的点云数据从当前感兴趣点云数据中剔除，得到两个所述标记物的点云数据；其中，所述当前感兴趣点云数据为当前采集到的所述点云数据中处于预设感兴趣区域中的点云数据。
43.可选地，在上述的车辆相对角度的检测装置中，所述目标角度计算单元，包括：
44.距离计算单元，用于计算所述目标标记物的点云数据中的每个点与所述目标标记物同侧的所述三维激光雷达的距离；
45.检测点确定单元，用于将与所述目标标记物同侧的所述三维激光雷达的距离最大的点确定为所述目标标记物上的感兴趣检测点；
46.目标角度计算子单元，用于基于所述目标标记物上的感兴趣检测点的坐标，以及所述挂车的铰接中心的坐标，计算当前所述目标标记物上的感兴趣检测点连接所述挂车的铰接中心的直线与目标水平线的角度，得到所述当前目标角度信息。
47.可选地，在上述的车辆相对角度的检测装置中，还包括：
48.优化单元，用于利用卡尔曼滤波算法对当前所述牵引车与所述挂车的相对角度进行滤波处理，得到当前所述牵引车与所述挂车的优化相对角度。
49.可选地，在上述的车辆相对角度的检测装置中，所述优化单元，包括：
50.角度估算单元，计算当前所述牵引车与所述挂车的理论相对角度；
51.综合运算单元，用于基于利用卡尔曼滤波算法，对当前所述牵引车与所述挂车的理论相对角度以及当前所述牵引车与所述挂车的相对角度进行综合运算，得到当前所述牵引车与所述挂车的优化相对角度。
52.可选地，在上述的车辆相对角度的检测装置中，所述综合运算单元，包括：
53.误差预测单元，用于利用上一时刻的误差方差以及过程噪声方差，计算得到当前误差方差预测值；
54.增益计算单元，用于利用所述当前误差方差预测值、测量噪声方差以及测量系数，计算当前卡尔曼增益；
55.差值计算单元，用于计算当前所述牵引车与所述挂车的相对角度减去当前所述牵引车与所述挂车的理论相对角度与所述测量系数的乘积，得到角度差值；
56.优化角度计算单元，用于将当前所述牵引车与所述挂车的理论相对角度加上所述角度差值与所述当前卡尔曼增益的乘积，得到当前所述牵引车与所述挂车的优化相对角度。
57.本技术第三方面提供了一种电子设备，包括：
58.存储器和处理器；
59.其中，所述存储器用于存储程序；
60.所述处理器用于执行所述程序，所述程序被执行时，具体用于实现如上述任意一项所述的车辆相对角度的检测方法。
61.本技术第四方面提供了一种计算机存储介质，用于存储计算机程序，所述计算机程序被执行时，用于实现如上述任意一项所述的车辆相对角度的检测方法。
62.本技术提供的一种车辆相对角度的检车方法，通过安装于牵引车左右两侧的两个三维激光雷达采集到的挂车左右两侧的两个标记物的点云数据，不再采用摄像头。然后将两个标记物中点云数据的数据量较大的标记物，确定为目标标记物，并基于目标标记物的点云数据，确定当前目标角度信息。最后基于当前目标角度信息计算当前牵引车与挂车的相对角度。从而基于三维激光雷达采集的点云数据，实现了对牵引车与挂车之间的相对角度的检测，而三维激光雷达不易受光线和天气等外界因素的影响，因此可以有效地保证检测结果的准确性。
附图说明
63.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
64.图1为本技术实施例提供的一种车辆相对角度的检测方法的流程图；
65.图2为本技术实施例提供的一种牵引车和挂车的位置示意图；
66.图3为本技术实施例提供的一种获取两个标记物的点云数据的方法的流程图；
67.图4为本技术实施例提供的一种感兴趣区域的示意图；
68.图5为本技术实施例提供的一种车辆转弯时牵引车和挂车的位置示意图；
69.图6为本技术实施例提供的一种计算得到当前目标角度的方法的流程图；
70.图7为本技术实施例提供的一种对相对角度进行滤波处理的方法的流程图；
71.图8为本技术实施例提供的一种基于利用卡尔曼滤波算法对理论相对角度和相对角度进行综合运算的方法的流程图；
72.图9为本技术实施例提供的一种车辆相对角度的检测装置；
73.图10为本技术实施例提供的一种电子设备的结构示意图。
具体实施方式
74.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。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。
75.在本技术中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
76.本技术实施例提供了一种车辆相对角度的检测方法，如图1所示，包括以下步骤：
77.s101、获取安装于牵引车左右两侧的两个三维激光雷达，当前采集到的挂车左右两侧的两个标记物的点云数据。
78.需要说明的是，在本技术实施例中，在卡车的牵引车的左右两侧分别安装了一个三维激光雷达。具体可以参见图2所示，在牵引车的前面的最左侧和最右侧分别安装了一个三维激光雷达，并且通常可以将两个三维激光雷达设置与同一水平面上。两个三维激光雷达，分别用于对挂车自身上的左右两侧的标记物进行扫描，从而获取到两个标记物的点云数据。
79.由于三维激光雷达扫描范围为360度，所以可以保证有效地扫描到标记物，并且激光雷达不易受光线和天气的影响，可以保证测量数据的准确性，进而可以保证检测结果的鲁棒性。
80.可选地，本技术实施例中的三维激光雷达可以采用机械激光雷达。若对于无人驾驶卡车，其本身在牵引车左右按照有三维激光雷达，所以可以不需要再额外进行安装。
81.同样参见图2，标记物也同样在挂车的左右两侧，并且通常在同一水平线上。可选地，标记物可以是挂车上的防撞块或者侧面挡板等。
82.需要说明的是，在车辆直行或者接近直行时，左侧的三维激光雷达能够扫描到左侧的标记物，右侧的三维激光雷达也能够扫描到右侧的标记物。但是当车辆左转时，会出现只有左侧的三维激光雷达能扫描到左侧的标记物，此时获取的两个标记物的点云数据中，右侧的标记物的点云数据为空。同理，当车辆右转时，会出现只有右侧的三维激光雷达能扫描到右侧的标记物，此时获取的两个标记物的点云数据中，左侧的标记物的点云数据为空。
83.可选地，在本技术另一实施例中，步骤s102的一种具体实施方式，如图3所示，包括：
84.s301、获取设置于牵引车左右两侧的两个三维激光雷达当前采集到的点云数据。
85.需要说明的是，三维激光雷达扫描范围为360度，即或扫描到360度内的物体的点云数据，但是后续需要的仅是标记物上的点云数据，所以在执行步骤s301之后，需要执行步
骤s302。
86.s302、将预先测定的牵引车的点云数据从当前感兴趣点云数据中剔除，得到两个标记物的点云数据。
87.其中，当前感兴趣点云数据为当前采集到的点云数据中处于预设感兴趣区域中的云数据。换句话说，将获取到的点云数据中同时处于预设感兴趣区域以及挂车左右两侧的两个标记物上的点云数据，确定为两个标记物的点云数据。
88.需要说明的是，在本技术实施例中，通过设置感兴趣区域(region of interest，roi)来确定标记物的点云数据。其中，roi可以是矩形框、圆环形等。如图4所示，roi采用的是圆环形，提取当前采集到的点云数据中位于roi内的标记物的点云数据，作为当前感兴趣点云数据。其中，roi的两个圆的半径r和半径r，可以通过对车辆进行测量标定。根据图4可知，针对感兴趣区域中，三维激光雷达可以采集到牵引车的点云数据，两个标记物的点云数据，但由于标记物的遮挡，采集不到挂车的点云数据，而三维激光雷达固定设置在牵引车，所以采集到的牵引车的点云数据是固定的，可以预先标定。而由于标记物与三维激光雷达之间的相对位置会随着牵引车与挂车的相对位置变化，所以需要通过步骤s302处理得到。
89.s102、将两个标记物中点云数据的数据量较大的标记物，确定为目标标记物。
90.需要说明的是，当车辆不是完全的直线行驶时，即牵引车与挂车不处于一条直线上时，由于牵引车与挂车之间存在相对角度，会使得两个三维激光雷达采集到的标记物的点云数据的数据量不一样，甚至当车辆转弯角度较大时，即牵引车与挂车之间的相对角度较大时，与转弯方向相反的一侧的三维激光雷达采集到的标记物的点云数据的数据量为零，所以通过对比两个标记物中点云数据的数据量的大小，从而可以确定车辆是左转还是右转，进而有针对性地确定出牵引车与挂车之间的相对角度。
91.例如，如图5所示，车辆在右转时，显然右侧的三维激光雷达是无法扫描到挂车右侧的标记物的，所以右侧的标记物的点云数据的数据量为零，因此将左侧的标记物为确定为当前的目标标记物，进而可以计算出车辆左转时，当前牵引车与挂车之间的相对角度。
92.还需要说明的是，若是两个标记物中点云数据的数据量一样大，则说明车辆在直线行驶，牵引车与挂车处于一条直线上，所以此时牵引车与挂车的相对角度为零。
93.s103、基于目标标记物的点云数据，确定当前目标角度信息。
94.其中，当前目标角度信息为当前牵引车与挂车的相对角度相关联的目标角度信息。需要说明的是，目标角度信息指的是与牵引车与挂车的相对角度相关联的一项信息，并不一定是角度。目标角度信息随着当前牵引车与挂车的相对角度的变化而变化，并且根据每个时间的目标角度信息都可以相应地计算得到一个牵引车与挂车的相对角度。所以在执行步骤s103之后即可以执行步骤s104。
95.s104、基于当前目标角度信息计算当前牵引车与挂车的相对角度。
96.可选地，可以是预先根据牵引车与挂车的相对角度与目标角度信息的关联性，确定两者之间的关联表达式，从而在得到当前目标角度信息后，将当前目标角度信息代入关联表达式中进行计算，得到当前牵引车与挂车的相对角度。
97.可选地，在本技术另一实施例中，目标角度信息为目标标记物上的感兴趣检测点连接挂车的铰接中心的直线与目标水平线的角度，所以在本技术实施例中当前目标角度信息即为当前目标角度。目标水平线为过目标标记物上的感兴趣检测点，且与牵引车的对称
轴垂直的水平线。
98.需要说明的是，本技术实施例中所涉及的角度指的是二维平面上的角度，即可以理解为俯视图上的角度。
99.其中，目标标记物上的感兴趣检测点指的用于检测的标记物上的一个固定的点。例如，如图5所示，当车辆左转时，目标标记物为左侧的标记物，所以目标标记物上的感兴趣检测点为左侧的标记物距离左侧的三维激光雷达最远的点。而当前目标标记物上的感兴趣检测点连接挂车的铰接中心的直线与目标水平线的角度为当前目标角度，即图5中的角γ为当前目标角度。
100.还需要说明的是，需要说明的是，由于标记物与牵引车的相对位置会不断变换，所以目标标记物上的感兴趣检测点与牵引车的相对位置也会不断变化，因此目标水平线的位置也会相应地变化。
101.可选地，如图6所示，步骤s103的一种实施方式，包括：
102.s601、计算目标标记物的点云数据中的每个点与目标标记物同侧的三维激光雷达的距离。
103.需要说明的是，目标标记物的点云数据中包括扫描到的目标标记物上的多个点的坐标，而三维激光雷达是固定的，即三维激光雷达的坐标也是固定的，所以基于各个点的坐标以及是三维激光雷达的坐标，可以计算得到各个点与是三维激光雷达的距离。
104.s602、将与目标标记物同侧的三维激光雷达的距离最大的点确定为目标标记物上的感兴趣检测点。
105.由于，与目标标记物同侧的三维激光雷达的距离最大的点是固定的，因此在本技术实施例中，将与目标标记物同侧的三维激光雷达的距离最大的点确定为目标标记物上的感兴趣检测点。当然，也可以采用其他的方式确定目标标记物上的感兴趣检测点，例如，可以对目标检测区域的点云数据进行拟合，结合目标标记物的性质等识别出感兴趣检测点。但步骤s602确定感兴趣检测点的计算量相对较小。
106.s603、基于目标标记物上的感兴趣检测点的坐标，以及挂车的铰接中心的坐标，计算当前目标标记物上的感兴趣检测点连接挂车的铰接中心的直线与目标水平线的角度，得到当前目标角度信息。
107.具体的，如图5所示，由于铰接中心是固定的，即铰接中心的坐标是确定的，所以基于目标标记物上的感兴趣检测点的坐标，以及挂车的铰接中心的坐标计算得到两者之间的距离，而目标标记物上的感兴趣检测点到目标水平线的垂线的距离，可以根据基于目标标记物上的感兴趣检测点的坐标确定，因此最后再通过三角函数，即可以计算得到当前目标角度。
108.在本技术实施例中，步骤s104的具体实施方式，包括：
109.计算目标标记物对应的标定目标角度信息与当前目标角度信息的差值，得到当前所述牵引车与挂车的相对角度。
110.其中，目标标记物对应的标定目标角度信息为牵引车与所述挂车的相对角度为零时目标角度信息的数值，即标定目标角度信息为标定目标角度。由于在本技术实施例中，目标角度信息为目标标记物上的感兴趣检测点连接所述挂车的铰接中心的直线与目标水平线的角度，所以目标标记物对应的标定目标角度为牵引车与挂车的相对角度为零时，即车
辆在摆正状态下，目标标记物上的感兴趣检测点连接挂车的铰接中心的直线与目标水平线的角度。
111.可选地，可以是预先在车辆摆正状态下，分别计算两个标记物上的感兴趣检测点连接挂车的铰接中心的直线与目标水平线的角度，得到两个标记物对应的标定目标角度信息。例如，如图5所示的角α和角β。
112.如图5所示，牵引车与挂车之间的相对角度为；根据三角形内角和均为180度的原理可得：
113.α δ θ 90
°
＝γ θ δ θ 90
°
114.因此，牵引车与挂车的相对角度即为：
115.θ＝α-γ
116.因此，计算当前目标角度与目标标记物对应的标定目标角度的差值，就可以得到当前牵引车与挂车的相对角度。具体地，计算当前目标角度与目标标记物对应的标定目标角度的差值，也即计算目标角度的变化量，由于目标标记物对应的标定目标角度为牵引车与挂车的相对角度为零时，目标标记物上的感兴趣检测点连接挂车的铰接中心的直线与目标水平线的角度，所以目标角度的变化量即为当前牵引车与挂车的相对角度。
117.在上述的方式中是将铰接中心作为基准进行计算，可选地，当然也可以是采用相同的原理，直接采用三维激光雷达坐标作为计算，计算当前牵引车与挂车的相对角度。
118.可选地，目标角度信息也可以是目标标记物上的感兴趣检测点与同一侧的三维激光雷达之间的几何距离。由于该距离与当前牵引车与挂车的相对角度是相关联，所以可以预先拟合出该距离与牵引车与挂车的相对角度的关联表达式，然后通过步骤s103计算出当前目标标记物上的感兴趣检测点与同一侧的三维激光雷达之间的几何距离，并在执行步骤s104时，将计算得到的距离代入该关联表达式中，从而得到当前牵引车与挂车的相对角度。
119.标记物设置于挂车上，而三维激光雷达设置于牵引车上，所以两者的相对位置是变化的，所以在计算过程中考虑的因素更多，因此误差相比采用铰接中心作为基准进行计算的方式的误差大，而基于拟合距离与牵引车与挂车的相对角度的关联表达式，比较依赖拟合的准确性，因此精确性也相对较差。并且通过测试，也获知采用图5所对应的方式的精度最高。当然上述的方式均为其中的一种可选的方式，也可以采用其他的方式。
120.可选地，考虑到计算过程中可能会一定的误差，为了提供最终输出结果的鲁棒性，因此在本技术另一实施例中，在执行步骤s104之后，还进一步执行：
121.利用卡尔曼滤波算法对当前牵引车与挂车的相对角度进行滤波处理，得到当前牵引车与挂车的优化相对角度。
122.具体的，利用卡尔曼滤波算法对当前牵引车与挂车的相对角度进行滤波处理，得到当前牵引车与挂车的优化相对角度，如图7所示，包括：
123.s701、计算当前牵引车与挂车的理论相对角度。
124.可选地，可以依据上一时刻当前牵引车与挂车的相对角度和车辆动力学，从理论上估计下一时刻当前牵引车与挂车的相对角度，即估计当前牵引车与挂车的理论相对角度。
125.s702、基于利用卡尔曼滤波算法，对当前牵引车与挂车的理论相对角度以及当前牵引车与挂车的相对角度进行综合运算，得到当前牵引车与挂车的优化相对角度。
126.由于估算值也并不一定完全准确，也存在误差，因此需要综合考虑当前牵引车与挂车的理论相对角度以及当前牵引车与挂车的相对角度，所以在本技术实施例中还需要基于利用卡尔曼滤波算法，对当前牵引车与挂车的理论相对角度以及当前牵引车与挂车的相对角度进行综合运算，得到当前牵引车与挂车的优化相对角度。
127.可选地，步骤s702的一种具体实施方式，如图8所示，包括：
128.s801、利用上一时刻的误差方差以及过程噪声方差，计算得到当前误差方差预测值。
129.根据卡尔曼滤波算法，可以知道在本技术实施例中，卡尔曼滤波预测过程，可以表示为：
130.θ
i 1,pre
＝a
·
f(vi,θi)
131.p
pre
＝a
·
p
·at
q
132.其中，θ
i 1,pre
为i 1时刻牵引车与挂车的理论相对角度；θi为i时刻牵引车与挂车的相对角度；vi为i时刻的车速；p表示i时刻的误差方差预测值，误差方差预测值的初始值可以根据实际工况设定；p
pre
表示i 1时刻的误差方差预测值，即当前误差方差预测值；a为转移系数，具体为1；q为过程噪声方差。
133.所以根据上面中的公式，可以得到牵引车与挂车的理论相对角度当前牵引车与挂车的理论相对角度，以及当前误差方差预测值。
134.s802、利用当前误差方差预测值、测量噪声方差以及测量系数，计算当前卡尔曼增益。
135.根据卡尔曼滤波算法，可得卡尔曼滤波更新过程中，卡尔曼增益的计算公式可以表示为：
136.k＝p
pre
·ht
·
(h
·
p
pre
·ht
r)-1
137.其中，测量系数h为1，r标识测量噪声方差，即激光雷达的测量噪音的方差。
138.因此，将当前误差方差预测值、测量噪声方差以及测量系数输入上面公式中，即可以计算得到当前卡尔曼增益。
139.s803、计算当前牵引车与挂车的相对角度减去当前牵引车与挂车的理论相对角度与测量系数的乘积，得到角度差值。
140.根据卡尔曼滤波算法，可得卡尔曼滤波更新过程中，i 1时刻的牵引车与挂车的优化相对角度可以表示为：
141.θ
i 1,filter
＝θ
i 1,pre
k(θ
i 1,det-h
·
θ
i 1,pre
)
142.其中，θ
i 1,filter
为i 1时刻的牵引车与挂车的优化相对角度；θ
i 1,det
表示i 1时刻牵引车与挂车的相对角度，即步骤s104计算得到的当前相对角度；θ
i 1,pre
为i 1时刻牵引车与挂车的理论相对角度；k为卡尔曼增益；h为测量系数。
143.因此需要先计算当前牵引车与挂车的相对角度减去当前牵引车与挂车的理论相对角度与测量系数的乘积，得到角度差值，然后执行步骤s804，从而可以得到当前时刻牵引车与挂车的优化相对角度。
144.s804、将当前牵引车与挂车的理论相对角度加上角度差值与当前卡尔曼增益的乘积，得到当前牵引车与挂车的优化相对角度。
145.需要说明的是，在得到当前牵引车与挂车的优化相对角度，还需要对误差方差进
行更新，以便后续进行计算。具体的更新公式可以为：
146.p＝(1-k
·
h)p
pre
147.本技术实施例提供的一种车辆相对角度的检车方法，通过安装于牵引车左右两侧的两个三维激光雷达采集到的挂车左右两侧的两个标记物的点云数据，不再采用摄像头。然后将两个标记物中点云数据的数据量较大的标记物，确定为目标标记物，并基于目标标记物的点云数据，确定当前目标角度信息。最后基于当前目标角度信息计算当前牵引车与挂车的相对角度。从而基于三维激光雷达采集的点云数据，实现了对牵引车与挂车之间的相对角度的检测，而三维激光雷达不易受光线和天气等外界因素的影响，因此可以有效地保证检测结果的准确性。
148.本技术另一实施例提供了一种车辆相对角度的检测装置，如图9所示，包括：
149.获取单元901，用于获取安装于牵引车左右两侧的两个三维激光雷达，当前采集到的挂车左右两侧的两个标记物的点云数据。
150.确定单元902，用于将两个标记物中点云数据的数据量较大的标记物，确定为目标标记物。
151.目标信息计算单元903，用于基于目标标记物的点云数据，确定当前目标角度信息。
152.其中，当前目标角度信息为当前牵引车与挂车的相对角度相关联的目标角度信息。
153.相对角度计算单元904，用于基于所述当前目标角度信息计算当前所述牵引车与所述挂车的相对角度。
154.可选地，在本技术另一实施例提供的车辆相对角度的检测装置中，目标角度信息为目标标记物上的感兴趣检测点连接挂车的铰接中心的直线与目标水平线的角度。目标水平线为过所述目标标记物上的感兴趣检测点，且与所述牵引车的对称轴垂直的水平线；
155.其中，本技术实施例中的相对角度计算单元，包括：
156.相对角度计算子单元，用于计算目标标记物对应的标定目标角度信息与所述当前目标角度信息的差值，得到当前所述牵引车与所述挂车的相对角度。
157.其中，目标标记物对应的标定目标角度信息为牵引车与挂车的相对角度为零时目标角度信息的数值。
158.可选地，在本技术另一实施例提供的车辆相对角度的检测装置中，获取单元，包括：
159.获取子单元，用于获取设置于牵引车左右两侧的两个三维激光雷达当前采集到的点云数据。
160.剔除单元，用于将预先测定的牵引车的点云数据从当前感兴趣点云数据中剔除，得到两个标记物的点云数据。
161.其中，当前感兴趣点云数据为当前采集到的点云数据中处于预设感兴趣区域中的点云数据。
162.可选地，在本技术另一实施例提供的车辆相对角度的检测装置中，目标角度计算单元，包括：
163.距离计算单元，用于计算目标标记物的点云数据中的每个点与目标标记物同侧的
三维激光雷达的距离。
164.检测点确定单元，用于将与目标标记物同侧的三维激光雷达的距离最大的点确定为目标标记物上的感兴趣检测点。
165.目标角度计算子单元，用于基于目标标记物上的感兴趣检测点的坐标，以及挂车的铰接中心的坐标，计算当前目标标记物上的感兴趣检测点连接挂车的铰接中心的直线与目标水平线的角度，得到当前目标角度信息。
166.可选地，在本技术另一实施例提供的车辆相对角度的检测装置中，还包括：
167.优化单元，用于利用卡尔曼滤波算法对当前牵引车与挂车的相对角度进行滤波处理，得到当前牵引车与挂车的优化相对角度。
168.可选地，在本技术另一实施例提供的车辆相对角度的检测装置中，优化单元，包括：
169.角度估算单元，用于计算当前牵引车与挂车的理论相对角度。
170.综合运算单元，用于基于利用卡尔曼滤波算法，对当前牵引车与挂车的理论相对角度以及当前牵引车与挂车的相对角度进行综合运算，得到当前牵引车与挂车的优化相对角度。
171.可选地，在本技术另一实施例提供的车辆相对角度的检测装置中，综合运算单元，包括：
172.误差预测单元，用于利用上一时刻的误差方差以及过程噪声方差，计算得到当前误差方差预测值。
173.增益计算单元，用于利用当前误差方差预测值、测量噪声方差以及测量系数，计算当前卡尔曼增益。
174.差值计算单元，用于计算当前牵引车与挂车的相对角度减去当前牵引车与挂车的理论相对角度与测量系数的乘积，得到角度差值。
175.优化角度计算单元，用于将当前牵引车与挂车的理论相对角度加上角度差值与当前卡尔曼增益的乘积，得到当前牵引车与挂车的优化相对角度。
176.需要说明的是，本技术上述实施例提供的各个单元的具体工作过程，可相应地参考上述方法实施例中的相应的步骤，此处不再赘述。
177.本技术另一实施例提供了一种电子设备，如图10所示，包括：
178.存储器1001和处理器1002。
179.其中，存储器1001用于存储程序。
180.处理器1002用于执行程序，并且该程序被执行时，具体用于实现如上述任意一个实施例提供的车辆相对角度的检测方法。
181.本技术另一实施例提供了一种计算机存储介质，用于存储计算机程序，计算机程序被执行时，用于实现如上述任意一个实施例提供的车辆相对角度的检测方法。
182.计算机存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数
字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
183.专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
184.对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。