位姿优化方法、装置、非易失性存储介质及计算机设备与流程

本发明涉及智能驾驶领域，具体而言，涉及一种位姿优化方法、装置、非易失性存储介质及计算机设备。

背景技术：

1、自动驾驶算法中存在很多依赖车辆的高精度位姿才能实现的功能，因此车辆位姿精度若存在问题，会对车辆的自动驾驶算法产生负面影响。

2、相关技术中，车载系统主要采用基于全球卫星导航系统和轮速计的定位系统来提供车辆的位姿数据，其为了追求位姿更新的实时性会牺牲一定程度的精度，导致在此位姿基础上进行诸如点云标注这样依赖位姿数据的工作时存在精度上的问题，还需要对车辆的位姿进行优化处理。

3、针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

1、本发明实施例提供了一种位姿优化方法、装置、非易失性存储介质及计算机设备，以至少解决车辆的位姿精度不够高导致基于车辆位姿进行的相关的工作存在精度不足的技术问题。

2、根据本发明实施例的一个方面，提供了一种位姿优化方法，包括：获取车辆在目标时间段内的多帧点云图像，以及获取所述车辆在所述目标时间段内的不同时刻下的初始位姿，其中，所述多帧点云图像由所述车辆上的点云扫描设备在所述目标时间段内扫描得到；在所述多帧点云图像之间进行点云配准，得到点云配准结果；根据所述点云配准结果，确定所述车辆在所述目标时间段内的相对位姿约束，其中，所述相对位姿约束表征所述车辆在所述目标时间段内的不同时刻之间的相对位姿关系；根据所述相对位姿约束对所述初始位姿进行非线性优化，得到所述车辆在所述目标时间段内的不同时刻下的目标位姿。

3、可选地，所述在所述多帧点云图像之间进行点云配准，得到点云配准结果，包括：将所述多帧点云图像分为多组，得到多组点云子图；将所述多组点云子图各自组内的点云图像进行点云配准，得到与所述多组点云子图一一对应的组内点云配准结果；在所述多组点云子图之间进行点云配准，得到组间点云配准结果；根据所述组内点云配准结果和所述组间点云配准结果，确定所述点云配准结果。

4、可选地，在所述多组点云子图之间进行点云配准，得到组间点云配准结果，包括：根据所述多组点云子图一一对应的组内点云配准结果，将所述多帧点云图像按照所属的点云子图分组进行叠加，得到与所述多组点云子图一一对应的多帧叠加点云图像；将所述多帧叠加点云图像进行点云配准，得到所述组间点云配准结果。

5、可选地，在所述多帧点云图像之间进行点云配准，得到点云配准结果，包括：基于所述多帧点云图像，确定待配准的第一图像和第二图像；将所述第一图像中的特征点划分为第一平面特征点和第一边缘特征点，以及将所述第二图像中的特征点划分为第二平面特征点和第二边缘特征点，其中，所述第一平面特征点和所述第二平面特征点表征扫描到的物体的连续表面区域，所述第一边缘特征点和所述第二边缘特征点表征扫描到的物体的边缘区域；从所述第一平面特征点和所述第一边缘特征点中选出第一待匹配特征点，以及从所述第二平面特征点和所述第二边缘特征点中选出第二待匹配特征点；将所述第一待匹配特征点和所述第二待匹配特征点进行点云匹配，得到所述第一图像和所述第二图像之间的点云配准结果，其中，所述点云配准结果包括所述第一图像和所述第二图像之间的点云配准结果。

6、可选地，所述将所述第一图像中的特征点划分为第一平面特征点和第一边缘特征点，以及将所述第二图像中的特征点划分为第二平面特征点和第二边缘特征点，包括：根据所述第一图像中的特征点各自在坐标系中的三维坐标，确定所述第一图像中的特征点与特征点各自的邻近特征点之间的距离；根据所述第一图像中的特征点与特征点各自的邻近特征点之间的距离，确定所述第一图像中的特征点各自的曲率值；根据所述第一图像中的特征点各自的曲率值和第一曲率阈值，将所述第一图像中的特征点划分为所述第一平面特征点和所述第一边缘特征点；根据所述第二图像中的特征点各自在坐标系中的三维坐标，确定所述第二图像中的特征点与特征点各自的邻近特征点之间的距离；根据所述第二图像中的特征点与特征点各自的邻近特征点之间的距离，确定所述第二图像中的特征点各自的曲率值；根据所述第二图像中的特征点各自的曲率值和第二曲率阈值，将所述第二图像中的特征点划分为所述第二平面特征点和所述第二边缘特征点。

7、可选地，所述从所述第一平面特征点和所述第一边缘特征点中选出第一待匹配特征点，以及从所述第二平面特征点和所述第二边缘特征点中选出第二待匹配特征点，包括：获取所述第一图像对应的第一纹理环境退化程度，其中，所述第一纹理环境退化程度为在所述点云扫描设备生成所述第一图像时对所述点云扫描设备的扫描场景进行检测得到；根据所述第一纹理环境退化程度，确定第一比例，其中，所述第一比例表征所述第一待匹配特征点中属于所述第一平面特征点的特征点的数目与属于所述第一平面特征点的特征点的数目之间的比例；根据所述第一比例，从所述第一平面特征点和所述第一边缘特征点中选出第一待匹配特征点；获取所述第二图像对应的第二纹理环境退化程度，其中，所述第二纹理环境退化程度为在所述点云扫描设备生成所述第二图像时对所述点云扫描设备的扫描场景进行检测得到；根据所述第二纹理环境退化程度，确定第二比例，其中，所述第二比例表征所述第二待匹配特征点中属于所述第二平面特征点的特征点的数目与属于所述第二平面特征点的特征点的数目之间的比例；根据所述第二比例，从所述第二平面特征点和所述第二边缘特征点中选出第二待匹配特征点。

8、可选地，上述方法还包括：获取所述车辆在所述目标时间段内的惯性导航数据，其中，所述惯性导航数据由搜索车辆上的惯性导航单元在所述目标时间段内采集得到；根据所述惯性导航数据，确定所述目标时间段内的惯性导航预积分观测约束；根据所述相对位姿约束对所述初始位姿进行非线性优化，得到所述车辆在所述目标时间段内的目标位姿，包括：根据所述相对位姿约束和所述惯性导航预积分观测约束对所述初始位姿进行非线性优化，得到所述车辆在所述目标时间段内的目标位姿。

9、可选地，所述获取车辆在目标时间段内的多帧点云图像，包括：获取所述车辆上的点云扫描设备在所述目标时间段内扫描的原始点云图像；根据所述惯性导航数据矫正所述原始点云图像中的畸变，得到所述多帧点云图像。

10、可选地，根据所述相对位姿约束对所述初始位姿进行非线性优化，得到所述车辆在所述目标时间段内的目标位姿，包括：根据所述相对位姿约束，构建对所述初始位姿进行非线性优化的代价函数；求解所述代价函数的最小值，得到所述目标位姿。

11、根据本发明实施例的另一方面，还提供了一种位姿优化装置，包括：获取模块，用于获取车辆在目标时间段内的多帧点云图像，以及获取所述车辆在所述目标时间段内的不同时刻下的初始位姿，其中，所述多帧点云图像由所述车辆上的点云扫描设备在所述目标时间段内扫描得到；配准模块，用于在所述多帧点云图像之间进行点云配准，得到点云配准结果；确定模块，用于根据所述点云配准结果，确定所述车辆在所述目标时间段内的相对位姿约束，其中，所述相对位姿约束表征所述车辆在所述目标时间段内的不同时刻之间的相对位姿关系；优化模块，用于根据所述相对位姿约束对所述初始位姿进行非线性优化，得到所述车辆在所述目标时间段内的不同时刻下的目标位姿。

12、根据本发明实施例的又一方面，还提供了一种非易失性存储介质，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行上述任意一项所述位姿优化方法。

13、根据本发明实施例的再一方面，还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器用于存储程序，所述处理器用于运行时执行以下操作：获取车辆在目标时间段内的多帧点云图像，以及获取所述车辆在所述目标时间段内的不同时刻下的初始位姿，其中，所述多帧点云图像由所述车辆上的点云扫描设备在所述目标时间段内扫描得到；在所述多帧点云图像之间进行点云配准，得到点云配准结果；根据所述点云配准结果，确定所述车辆在所述目标时间段内的相对位姿约束，其中，所述相对位姿约束表征所述车辆在所述目标时间段内的不同时刻之间的相对位姿关系；根据所述相对位姿约束对所述初始位姿进行非线性优化，得到所述车辆在所述目标时间段内的不同时刻下的目标位姿。

14、根据本发明实施例的再一方面，还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器用于存储程序，所述处理器用于运行所述存储器存储的程序，其中，所述程序运行时执行上述任意一项所述位姿优化方法。

15、在本发明实施例中，采用以车辆在目标时间段内的多帧点云图像辅助位姿优化的方式，通过将多帧点云图像进行点云配准，将配准结果作为车辆在目标时间段内的相对位姿约束，基于相对位姿约束对车辆的精度不够高的初始位姿进行非线性优化，达到了获得车辆在目标时间段内的精度更高的不同时刻下的目标位姿的目的，从而实现了提高车辆的位姿数据的精确度的技术效果，进而解决了车辆的位姿精度不够高导致基于车辆位姿进行的相关的工作存在精度不足的技术问题。