一种雷达自适应标定方法与流程

1.本发明涉及场景分割领域，尤其涉及一种雷达自适应标定方法。


背景技术：

2.随着微电子等各个领域科学进步，雷达技术的不断发展，其内涵和研究内容都在不断地拓展，雷达的探测手段已经由从前的只有雷达一种探测器发展到了红外光、紫外光、激光以及其他光学探测手段融合协作，当代雷达可以在各种不同的搜索或者跟踪模式下对目标进行扫描，并对干扰误差进行自动修正，而且大多数的控制功能是在系统内部完成的，现有的雷达安装大多通过固件安装的方式，但是安装误差会随着距离的增大而被放大；
3.现有的雷达自适应标定方法在雷达安装存在误差的情况下会对标定结果产生影响，同时在点云分割时，地面与地面物体点云粘连无法分割；为此，我们提出一种雷达自适应标定方法。


技术实现要素：

4.本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种雷达自适应标定方法。
5.为了实现上述目的，本发明采用了如下技术方案：
6.一种雷达自适应标定方法，该标定方法具体步骤如下：
7.(1)设置各硬件位置：工作人员将雷达通过固定雷达的工装将雷达固定在墙上、电线杆上或者车上，并将标记物放置在雷达视场角范围内的水平地面上，并将其按“l”型进行布置；
8.(2)构建相关场地的三维模型：雷达收集视场角内整个场景的点云信息，并将其发送至计算机以进行三维模型构建；
9.(3)获取标记物位置信息并记录：收集所有标记物所在位置信息，并依据收集到的位置信息对雷达坐标系下标记物所在位置的坐标进行收集记录；
10.(4)获取坐标系映射关系以完成标定：依据标记物在雷达坐标系下的坐标以及世界坐标系下的坐标进行数据标定。
11.作为本发明的进一步方案，步骤(1)中所述雷达具体为激光雷达，其扫描方式至少可以获得标记物的大概轮廓，所述标记物具体为反光锥，其主要功能为放置在路面上作为世界坐标系的关键点。
12.作为本发明的进一步方案，步骤(2)中所述三维模型构建具体步骤如下：
13.步骤一：计算机实时接收雷达所传输的点云信息，并依据点云信息构建相关场景的三维坐标模型；
14.步骤二：对构建完成的三维坐标模型的点云信息进行聚类处理，并判断各组聚类后的点云信息是否大于预设个数，若大于，则提取该组聚类的点云信息的特征信息，若不大于，则删除该组聚类的点云信息的坐标信息。
15.作为本发明的进一步方案，步骤(3)中所述收集记录具体步骤如下：
16.第一步：计算机通过机器学习方法识别提取的特征信息是否为标记物，若为标记物，则收集该标记物世界坐标系下的坐标信息；
17.第二步：通过ransac算法，获得雷达坐标系下地面所在平面方程；
18.第三步：通过种子生成算法以及计算出的地面所在平面方程，再加上标记物所在位置信息从而获得雷达坐标系下标记物的坐标。
19.作为本发明的进一步方案，第二步中所述ransac算法具体使用步骤如下：
20.p1.1：选择出可以估计出模型的最小数据集，并使用这个数据集来计算出数据模型；
21.p1.2：将所有数据带入这个模型，计算出“内点”的数目，并比较当前模型和之前推出的最好的模型的“内点“的数量，同时记录最大“内点”数的模型参数和“内点”数；
22.p3：重复执行p1.1-p1.2，直到“内点”数大于一定数量；
23.第二步中所述种子生成算法具体使用步骤如下：
24.p2.1：给定点集x＝{x1,x2,
…
,xn},并对目标场景的点云进行聚类；
25.p2.2：定义距离计算函数为d(xi,xj)，并确认点xi到集合s的距离公式为d(s,xi)＝min d(xt,xi)(xt\in s)；
26.p2.3：定义集合s1＝{xi},其中，xi不属于任何集合，遍历所有未加入集合的点，如果满足d(s1,xi)《threshold xi加入到集合s1中；
27.p2.4：重复p2.1-p2.3，至所有点都有对应的集合。
28.作为本发明的进一步方案，步骤(4)中所述数据标记具体步骤如下：
29.s1：计算机接收标记物雷达坐标系中的位置以及该标记物世界坐标系下的坐标信息，并对该标记物两个坐标系的映射关系进行计算计；
30.s2：依据计算出的映射关系对该场景进行标定，并将标定信息上传至云服务器中进行存储；
31.s3：云服务器接收标定信息后，向工作人员智能收集发送完成反馈，同时工作人员可通过智能手机或电脑与云服务器通信连接以对云服务器中的标定信息进行选取查看。
32.相比于现有技术，本发明的有益效果在于：
33.1、该雷达自适应标定方法相较于以往标定方法，本发明通过固定雷达的工装将激光雷达固定在待标定场景的墙上、电线杆上或者车上，并将标记物放置在雷达视场角范围内的水平地面上，并将其按“l”型进行布置，雷达收集视场角内整个场景的点云信息，计算机依据收集到的点云信息构建相关场景的三维坐标模型，并对构建完成的三维坐标模型的点云信息进行聚类处理，并对大于预设个数的聚类后的点云信息进行特征提取，通过机器学习方法识别提取的特征信息是否为标记物，若为标记物，则收集该标记物世界坐标系下的坐标信息，通过雷达与标记物协调配合，能够降低雷达安装误差对使用的影响，有效避免因雷达安装存在误差对标定结果产生影响。
34.2、该雷达自适应标定方法相较于以往标定方法通过ransac算法，获得雷达坐标系下地面所在平面方程，同时通过种子生成算法以及计算出的地面所在平面方程，再加上标记物所在位置信息从而获得雷达坐标系下标记物的坐标，计算机接收标记物雷达坐标系中的位置以及该标记物世界坐标系下的坐标信息，并对该标记物两个坐标系的映射关系进行
计算计，并依据计算出的映射关系进行标定，通过不同算法的使用，能够保证在点云分割时，地面与地面物体点云能够有效分割。
附图说明
35.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
36.图1为本发明提出的一种雷达自适应标定方法的流程框图。
具体实施方式
37.参照图1，一种雷达自适应标定方法，该标定方法具体步骤如下：
38.设置各硬件位置：工作人员将雷达通过固定雷达的工装将雷达固定在墙上、电线杆上或者车上，并将标记物放置在雷达视场角范围内的水平地面上，并将其按“l”型进行布置。
39.需要进一步说明的是，雷达具体为激光雷达，其扫描方式至少可以获得标记物的大概轮廓，标记物具体为反光锥，其主要功能为放置在路面上作为世界坐标系的关键点。
40.构建相关场地的三维模型：雷达收集视场角内整个场景的点云信息，并将其发送至计算机以进行三维模型构建。
41.具体的，计算机实时接收雷达所传输的点云信息，并依据点云信息构建相关场景的三维坐标模型，同时对构建完成的三维坐标模型的点云信息进行聚类处理，并判断各组聚类后的点云信息是否大于预设个数，若大于，则提取该组聚类的点云信息的特征信息，若不大于，则删除该组聚类的点云信息的坐标信息，通过雷达与标记物协调配合，能够降低雷达安装误差对使用的影响，有效避免因雷达安装存在误差对标定结果产生影响。
42.获取标记物位置信息并记录：收集所有标记物所在位置信息，并依据收集到的位置信息对雷达坐标系下标记物所在位置的坐标进行收集记录。
43.具体的，计算机通过机器学习方法识别提取的特征信息是否为标记物，若为标记物，则收集该标记物世界坐标系下的坐标信息，并通过ransac算法，获得雷达坐标系下地面所在平面方程，同时通过种子生成算法以及计算出的地面所在平面方程，再加上标记物所在位置信息从而获得雷达坐标系下标记物的坐标，通过不同算法的使用，能够保证在点云分割时，地面与地面物体点云能够有效分割。
44.需要进一步说明的是，首先计算机选择出可以估计出模型的最小数据集，并使用这个数据集来计算出数据模型，同时将所有数据带入这个模型，计算出“内点”的数目，并比较当前模型和之前推出的最好的模型的“内点“的数量，同时记录最大“内点”数的模型参数和“内点”数，重复执行上述步骤，直到“内点”数大于一定数量后结束。
45.此外，需要进一步说明的是，计算机自行给定点集x＝{x1,x2,
…
,xn},并对目标场景的点云进行聚类，同时定义距离计算函数为d(xi,xj)，并确认点xi到集合s的距离公式为d(s,xi)＝min d(xt,xi)(xt\in s)，再定义集合s1＝{xi},其中，xi不属于任何集合，遍历所有未加入集合的点，如果满足d(s1,xi)《threshold xi加入到集合s1中，重复上述步骤，至所有点都有对应的集合后结束。
46.获取坐标系映射关系以完成标定：依据标记物在雷达坐标系下的坐标以及世界坐
标系下的坐标进行数据标定。
47.计算机接收标记物雷达坐标系中的位置以及该标记物世界坐标系下的坐标信息，并对该标记物两个坐标系的映射关系进行计算计，依据计算出的映射关系对该场景进行标定，并将标定信息上传至云服务器中进行存储，当云服务器接收标定信息后，向工作人员智能收集发送完成反馈，同时工作人员可通过智能手机或电脑与云服务器通信连接以对云服务器中的标定信息进行选取查看。
48.需要进一步说明的是，工作人员通过智能手机或电脑向云服务器发送调用指令，云服务器对调用指令进行解析，并提取其中时间x以及场景名称y，同时依据x以及y对标定信息进行提取，并将其反馈至用户智能手机或电脑中以供用户查看。