[发明专利]一种基于IMU预积分的自动驾驶系统激光雷达在线标定方法

权利要求书

1.一种基于IMU预积分的自动驾驶系统激光雷达在线标定方法，其特征在于：包括如下步骤：

步骤1，采集并预处理传感器数据，所涉及的传感器包括激光雷达和IMU，将传感器数据转换为算法常用格式；

步骤2，进行预积分与状态轨迹计算，即对IMU数据流进行滑动窗口预积分，并求取车辆状态轨迹；

步骤3，将激光点云数据和车辆状态轨迹分别转为深度图，然后将二者融合为混合深度图；

步骤4，缓存历史混合深度图，将若干帧混合深度图融合为大深度图，输入给深度卷积神经网络，通过深度卷积神经网络计算出激光雷达外参误差；所述步骤1中的IMU设备包括加速度计和角速度计两部分，二者分别测量车辆的三轴加速度和三轴角速度后输出；所述步骤2中的预积分的计算方式为：以激光雷达数据到来的时刻k为边界，将k到k+1时刻的IMU数据预先积分并存储起来，具体公式如下：

式中，表示t时刻由IMU测量得到的三轴加速度向量，表示由IMU测量的四元数形式三轴角速度向量，表示从t_k时刻到t时刻范围内车辆的空间角度变化，Δv_k，k+1为车辆速度的预积分值，Δp_k，k+1为车辆位置的预积分值，Δq_k，k+1为车辆角度的预积分值；所述步骤2中的车辆状态轨迹由以下步骤计算得出：步骤21，取k时刻的车辆位姿增广为下式所示：

于是整个数据流中的车辆状态轨迹可由如下变量表示，其中N表示激光雷达数据的总帧数：

步骤22，使用列文伯格-马夸尔特方法从IMU数据流中优化得到最优的车辆状态轨迹，其中定义的代价函数如下：

其中：

注意，上式中，g为重力向量，Δt＝t_k-t_k-1。

2.根据权利要求1所述的基于IMU预积分的自动驾驶系统激光雷达在线标定方法，其特征在于：所述步骤3中将激光点云数据和车辆状态轨迹分别转为深度图，然后将二者融合为混合深度图的具体步骤如下：

步骤31，将激光点云转换为深度图，以便与卷积神经网络结合；

步骤32，将车辆位姿数据转换为深度图，以便与激光点云数据和卷积神经网络结合；

步骤33，将激光深度图与车辆位姿深度图结合为分层深度图，即混合深度图，以便卷积神经网络处理；

步骤34，将多帧混合深度图拼接为一幅大深度图，以便融合历史信息，获得对激光雷达外参的准确估计。