[发明专利]一种基于地面特征的点云优化方法及计算机可读存储介质

说明书

本发明公开了一种基于地面特征的点云优化方法及计算机可读存储介质，所述点云优化方法包括：构建坐标矩阵；构建平均三维坐标向量；根据所述坐标矩阵和所述平均三维坐标向量得到第一参考矩阵；将所述第一参考矩阵与其转置矩阵相乘得到第二参考矩阵，对第二参考矩阵进行奇异值分解得到右奇异矩阵；根据右奇异矩阵构建第三参考矩阵并对第一点云集中的数据进行处理得到第二点云集。本发明的点云优化方法纠正了激光点云地图的高度误差，提高了点云的精确度,进而减少了高精地图的建图误差。

技术领域

本发明涉及无人驾驶技术领域，尤其涉及一种基于地面特征的点云优化方法及计算机可读存储介质。

背景技术

在无人驾驶领域中，高精地图扮演着极其重要的角色，因为无人车要参照高精地图中的要素语义才能正常的运行起来。所谓高精地图，一方面是指地图的语义丰富，另一方面是指地图的精确度高。目前行业内部并没有对高精地图进行一个很明确的定义，这就导致每家公司高精地图的制作方式也各不相同。大部分高精地图的制作都是采用融合多种传感器数据来完成的，如多线激光雷达、相机和imu等,也有些高精地图的制作仅采用的部分传感器数据。本专利主要针对多线激光雷达制做高精地图这部分进行优化改进。

多线激光雷达建图的思路主要是通过雷达数据帧之间的特征配准，然后将所有帧的点云数据拼接在一起从而生成一张点云地图。这种做法主要有两个问题:第一，目前激光雷达数据本身是有一个传感器误差；第二，在点云关键帧配准的时候会有误差的存在，这样累积下去也会导致最终的点云地图与实际的场景有所偏差，尤其是较长的路面拼接，可能会产生较大的地面高程差。累积高程差使得原本平坦的路面看上去会有一个坡度，与实际采集的场景有所差异。

发明内容

鉴于以上内容，本发明提供了一种基于地面特征的点云优化方法及计算机可读存储介质，能够提高点云地图的精确度。技术方案如下：

一方面，本发明提供了一种基于地面特征的点云优化方法，所述点云优化方法包括以下步骤：

S1.采集多组地面点的坐标数据，所述多组坐标数据构成第一点云集；

S2.用所有地面点的三维坐标构建坐标矩阵，并根据所有地面点的三维坐标计算平均三维坐标，得到平均三维坐标向量，将所述坐标矩阵中的每个地面点对应的子向量分别减去所述平均三维坐标向量，得到第一参考矩阵；

S3.将所述第一参考矩阵与其转置矩阵相乘得到第二参考矩阵，对所述第二参考矩阵进行奇异值分解，得到右奇异矩阵；

S4.将四阶单位矩阵的左上角替换为所述右奇异矩阵的逆矩阵，以得到第三参考矩阵，用所述第三参考矩阵分别左乘所述第一点云集中的多个位姿态矩阵，得到多个修正位姿态矩阵，所述多个修正位姿态矩阵构成第二点云集。

进一步地，步骤S1中，所述采集多组地面点的坐标数据包括：采集多帧地面图像，在所述的多帧地面图像中标记地面点的坐标数据，所述的多帧地面图像中至少存在两帧地面图像的图像内容部分或全部重合。

进一步地，所述的多帧地面图像采集于不同的时间。

进一步地，所述位姿态矩阵为四阶方阵，每个位姿态矩阵中包括对应的地面点的三维坐标数据与方位角数据。

进一步地，所述坐标数据由激光雷达采集得到。

进一步地，所述点云优化方法还包括以下步骤：

S5.将所述第二点云集中的数据进行拼接，得到点云地图。

另一方面，本发明提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的点云优化方法的步骤。

本发明具有以下技术效果：