无人驾驶车多激光雷达点云匹配方法、车辆、装置、介质与流程

本发明涉及汽车电子领域，具体涉及一种无人驾驶车多激光雷达点云匹配方法、车辆、装置、介质。

背景技术：

1、由于激光技术的不断发展进步，三维激光扫描已成为新兴的测量方式。相比于传统的检测方法，三维激光扫描可以快速获取测量目标的三维坐标，并且能够实现狭小区域、危险区域或高空区域的测量，这使得矿下的矿道检测工作更加高效而轻松。无人矿卡上装载激光雷达，前面两个激光雷达相互间呈一定角度进行安装，后激光雷达居中安装，并且以同步测量的方式配合使用，能够完成整个矿下矿道的全断面数据测量。激光雷达的测量数据基于传感器自身的坐标系，而隧道线路的全断面检测数据以坐标系为基准进行观察分析，应用多个激光雷达配合完成全断面测量的情况，需要将多个激光雷达的点云进行匹配，由于矿下路况复杂多变，点云匹配不准会导致定位不准、障碍物距离探测不准等问题。对于安装了激光雷达的无人矿卡，如何简单快速地实现多激光雷达的点云高精度匹配，并满足装置定期校准的需求是装置设备应用过程中面临的难题。

技术实现思路

1、为解决现有无人驾驶矿车多个激光雷达的点云匹配效率低、匹配不准的问题，本发明提供一种无人驾驶车多激光雷达点云匹配方法、车辆、装置、介质，可以简单快速地实现多激光雷达的点云高精度匹配，并满足装置定期校准的需求。

2、本发明第一方面提供一种无人驾驶车多激光雷达点云匹配方法，包括：

3、获取各激光雷达的点云；

4、将各点云中同一竖直平面的特征点分别拟合成一条基准直线，判断是否所有基准直线重合；

5、若否，则根据各点云中同一标志物的特征点对点云进行初始配准，再进行精确配准，直至所有基准直线重合。

6、结合本发明的第一方面，在一些实施方式中，根据各点云中同一标志物的特征点对点云进行初始配准，包括：

7、将同一标志物在不同点云中重合的特征点划分为线特征点集和面特征点集；

8、根据线特征点集或面特征点集确定相关点云的匹配参数；

9、利用点云匹配参数对相关点云进行初始配准。

10、结合本发明的第一方面，在一些实施方式中，根据线特征点集和面特征点集确定点云匹配参数包括：

11、根据线特征点集确定x坐标、y坐标和航向角；

12、根据面特征点集确定z坐标和俯仰角。

13、结合本发明的第一方面，在一些实施方式中，无人驾驶车包括设置于车辆前方的左前激光雷达和右前激光雷达，以及设置于车辆后方中间的后激光雷达；根据线特征点集和面特征点集确定点云匹配参数，包括

14、根据同一标志物在前激光雷达和右前激光雷达的点云中重合的线特征点集确定x坐标、y坐标和航向角；

15、根据同一标志物在左前激光雷达点云、右前激光雷达点云、后激光雷达点的云中重合的面特征点集确定z坐标和俯仰角。

16、结合本发明的第一方面，在一些实施方式中，进行精确配准，包括：

17、以任意一点云为源点云进行采样，获得源点云子集；

18、以另一点云为目标点云，从源点云子集中获取优化子集，使优化子集和目标点云的统计距离不大于阈值。

19、结合本发明的第一方面，在一些实施方式中，从源点云子集中获取优化子集，包括：

20、在目标点云中查找所述源点云子集中各点的最近点，以源点云子集中各点与其在目标点云中的最近点为点对，获得源点云和目标点云的变换矩阵；

21、利用算法或限定条件去除错误的点对，然后优化变换矩阵，并将优化的变换矩阵作用于源点云子集，获得优化子集。

22、结合本发明的第一方面，在一些实施方式中，使优化子集和目标点云的统计距离不大于阈值，包括：

23、判断优化子集和目标点云的统计距离是否不大于阈值；

24、当统计距离不大于阈值时，完成精确配准；

25、当统计距离大于阈值时，重新从源点云子集中获取优化子集。

26、本发明第二方面提供一种无人驾驶车多激光雷达点云匹配装置，所述装置包括：

27、获取模块，用于获取各激光雷达的点云；

28、判断模块，用于将各点云中同一竖直平面的特征点分别拟合成一条基准直线，判断是否所有基准直线重合；

29、配准模块，用于在所述判断模块的判断结果为否时，根据各点云中同一标志物的特征点对点云进行初始配准，再进行精确配准，直至所有基准直线重合。

30、本发明第三方面提供一种无人驾驶车，所述无人驾驶车包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的无人驾驶车多激光雷达点云匹配程序，其中所述无人驾驶车多激光雷达点云匹配程序被所述处理器执行时，实现如上述无人驾驶车多激光雷达点云匹配方法的步骤。

31、本发明第四方面提供一种计算机可读存储介质，所述计算机可读存储介质上存储有无人驾驶车多激光雷达点云匹配程序，其中所述无人驾驶车多激光雷达点云匹配程序被处理器执行时，实现如上述无人驾驶车多激光雷达点云匹配方法的步骤。

32、本发明实施例提供的技术方案带来的有益效果包括：

33、本发明将各点云中同一竖直平面的特征点分别拟合成一条基准直线，通过判断是否所有基准直线重合来判断所有点云是否高精度匹配，当点云未高精度匹配时，根据各点云中同一标志物的特征点对点云进行初始配准，再进行精确配准，解决了相关技术中无人驾驶矿车激光雷达点云匹配精度不高、匹配效率低的问题。

技术特征：

1.一种无人驾驶车多激光雷达点云匹配方法，其特征在于，包括：

2.根据权利要求1所述的无人驾驶车多激光雷达点云匹配方法，其特征在于：根据各点云中同一标志物的特征点对点云进行初始配准，包括：

3.根据权利要求2所述的无人驾驶车多激光雷达点云匹配方法，其特征在于：根据线特征点集和面特征点集确定点云匹配参数包括：

4.根据权利要求3所述的无人驾驶车多激光雷达点云匹配方法，其特征在于：无人驾驶车包括设置于车辆前方的左前激光雷达和右前激光雷达，以及设置于车辆后方中间的后激光雷达；根据线特征点集和面特征点集确定点云匹配参数，包括

5.根据权利要求1所述的无人驾驶车多激光雷达点云匹配方法，其特征在于：进行精确配准，包括：

6.根据权利要求5所述的无人驾驶车多激光雷达点云匹配方法，其特征在于：从源点云子集中获取优化子集，包括：

7.根据权利要求6所述的无人驾驶车多激光雷达点云匹配方法，其特征在于：使优化子集和目标点云的统计距离不大于阈值，包括：

8.一种无人驾驶车多激光雷达点云匹配装置，其特征在于，所述装置包括：

9.一种无人驾驶车，其特征在于，所述无人驾驶车包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的无人驾驶车多激光雷达点云匹配程序，其中所述无人驾驶车多激光雷达点云匹配程序被所述处理器执行时，实现如权利要求1至7中任一项所述的无人驾驶车多激光雷达点云匹配方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有无人驾驶车多激光雷达点云匹配程序，其中所述无人驾驶车多激光雷达点云匹配程序被处理器执行时，实现如权利要求1至7中任一项所述的无人驾驶车多激光雷达点云匹配方法的步骤。

技术总结本发明涉及一种无人驾驶车多激光雷达点云匹配方法、车辆、装置、介质，该方法包括：获取各激光雷达的点云；将各点云中同一竖直平面的特征点分别拟合成一条基准直线，判断是否所有基准直线重合；若否，则根据各点云中同一标志物的特征点对点云进行初始配准，再进行精确配准，直至所有基准直线重合，所有基准直线重合即所有点云高精度匹配。该方法可以简单快速地实现无人驾驶车多激光雷达的点云高精度匹配并满足装置定期校准的需求。技术研发人员：刘潇,张鹏,何凯受保护的技术使用者：东风商用车有限公司技术研发日：技术公布日：2025/1/6