1.一种融合车载信息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,搭建大数据引擎,该大数据引擎包括车载部分和服务器部分,其中车载部分包括传感器、预处理、数据同步和数据存储,其中传感器包括:
激光雷达,提供自动驾驶车辆周围的环境点云数据;
车载ecu,提供车辆的必要状态信息,即车速、方向盘转角和ins信息;
接收到上述环境点云数据和车辆的必要状态信息后通过预处理对激光雷达的点云数据解析,即将激光雷达的原始数据转换为算法所需要的常用格式,以激光点的空间三维坐标为表征,还对车载ecu数据解析,从can总线中将ecu的原始数据转换为算法所需要的常用格式,即车速值、方向盘转角值和车辆坐标系下的三轴加速度值;
步骤2,利用c++编程搭建初始深度卷积神经网络模型并保存;利用服务器部署所搭建的深度卷积神经网络模型,给模型输入大数据引擎所生成的数据,进行模型训练,并保存训练好的深度卷积神经网络模型;
步骤3,将训练好的深度卷积神经网络模型搭载到自动驾驶系统中,在软件中连接好激光雷达数据、车载传感器数据和深度卷积神经网络模型;正常运行自动驾驶系统,深度卷积神经网络模型将会实时收取激光雷达数据和车载传感器数据,并实时比对二者的偏差,在线给出激光雷达的外参误差值。
2.根据权利要求1所述的融合车载信息的自动驾驶系统激光雷达在线标定方法,其特征在于:所述步骤一中搭建大数据引擎的具体步骤如下:
步骤一一,针对目标自动驾驶系统,安装好激光雷达,连接好车载传感器接口,并利用精密仪器完成对激光雷达的静态标定,获得激光雷达的外参;
步骤一二,驾驶搭载已标定自动驾驶系统的车辆在目标工作区域、场景中行驶,行驶车速保持在30km/h以下,保证车辆不发生剧烈颠簸,采集激光点云和车载传感器数据,并通过软件记录下来;
步骤一三,对已采集数据施加人为干扰,模拟车辆剧烈运动下的激光雷达点云数据和车载传感器数据,并通过软件记录下来。
3.根据权利要求2所述的融合车载信息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1中对车载ecu数据解析方式为将车载ecu获取的数据处理为车辆状态轨迹,其中该车辆状态轨迹由车辆运动学模型推导而出,所述车辆运动学模型由以下步骤推导而出:
步骤11,当车辆平稳、低速运动时,质心侧偏角和轮胎侧偏角均可忽略,于是有如下关系成立。
上式中,δ为车辆前轮平均转角,即为δo和δi的均值,v为车速,β为车辆横摆角;
步骤12,根据步骤11中所示的运动学关系,若车辆当前位姿为tk,则下一时刻车辆位姿可预测为下式所示:
tk+1=tktδ
上式中,tδ即为k到k+1时刻车辆的位姿相对变化量;
步骤13,将步骤12中的tδ按下式计算:
其中,φ^表示取向量φ的反对称阵,δt表示k到k+1时刻的时间差。
4.根据权利要求3所述的融合车载信息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1中的数据同步具体步骤如下:
步骤14,为激光点云数据标记系统时间;
步骤15,根据激光点云的系统时间,在车辆状态数据流中插值,获得激光点云所在时刻的车辆状态数据近似值。
5.根据权利要求3或4所述的融合车载信息的自动驾驶系统激光雷达在线标定方法,其特征在于:所述步骤一三中认为干扰的具体内容如下:
模拟车速增高,利用现有数据进行数值模拟,生成高速行驶工况的数据;
模拟车辆颠簸,利用现有数据,对点云和车辆状态轨迹共同施加预定好的短时间大俯仰和侧倾角度变换,模拟车辆的震动工况;
模拟遮挡工况,人为滤除多个角度的激光点云数据,使得深度卷积神经网络能应对点云稀少的工况;
模拟不同外参偏差值,通过人为加入预定好的外参偏差,获得带外参偏差的数据。