第3章　激光雷達(dá)-車體的外參標(biāo)定

3.1　引言

在本章，我們將介紹如何獲取激光雷達(dá)相對車體的位置和姿態(tài)，即如何對激光雷達(dá)進(jìn)行外參標(biāo)定。在獲取激光雷達(dá)外參后，我們才能將激光雷達(dá)感知的目標(biāo)轉(zhuǎn)換至車體坐標(biāo)系下，以供后續(xù)模塊使用。根據(jù)標(biāo)定過程中自車是否運動，我們可將LiDAR-車體的外參標(biāo)定分為靜態(tài)標(biāo)定和動態(tài)標(biāo)定兩類。靜態(tài)標(biāo)定一般需要專業(yè)的標(biāo)定設(shè)備和場地，結(jié)合四輪定位臺架（或擺正器）、標(biāo)定板、激光測距儀及全站儀等設(shè)備進(jìn)行。圖3-1展示了華為智能車BU建立的極狐感知系統(tǒng)傳感器靜態(tài)標(biāo)定間。

圖3-1　感知系統(tǒng)傳感器靜態(tài)標(biāo)定間示例

（注：圖片來自ADS高階智能駕駛官方公眾號）

目前在汽車工業(yè)中，整車廠主要通過靜態(tài)標(biāo)定間對LiDAR、相機(jī)、雷達(dá)等進(jìn)行標(biāo)定。靜態(tài)標(biāo)定的原理相對簡單，其標(biāo)定精度主要取決于標(biāo)定設(shè)備的精度和傳感器數(shù)據(jù)的質(zhì)量，而高精度的標(biāo)定件通常需要幾十萬到幾百萬人民幣不等（根據(jù)配置和精度不同，其價格有較大浮動）。此外，當(dāng)車輛交付用戶使用以后，由于長期的振動甚至行駛中的剮蹭，也可能使得傳感器外參發(fā)生變化，進(jìn)而影響后續(xù)輔助駕駛系統(tǒng)的感知或定位功能。因此，近年來一些研究機(jī)構(gòu)和整車廠正在探索通過車輛在特定路段或正常道路中的行駛，動態(tài)地標(biāo)定得到傳感器的外參或監(jiān)測傳感器的位姿狀態(tài)。

在本章，我們主要介紹LiDAR的動態(tài)外參標(biāo)定。基于對國內(nèi)外研究現(xiàn)狀的調(diào)研，我們將其細(xì)分為下述三個方向。

1）基于道路、標(biāo)定物的外參標(biāo)定

這類方法通常假設(shè)地面絕對水平，然后對地面進(jìn)行擬合，并反過來推算LiDAR相對車體、地面的垂向高度（z值）、俯仰角和翻滾角。對于偏航角的標(biāo)定，參考文獻(xiàn)[1]中的算法依賴于路邊的垂直桿狀物，如路燈、標(biāo)定樁等。參考文獻(xiàn)[2]在標(biāo)定偏航角時指出，當(dāng)LiDAR安裝傾角較大時，其照射到地面的波形是雙曲線，可通過雙曲線中心朝向推算出偏航角。上述標(biāo)定算法均需要地面水平或垂直的參考物體的先驗信息，這在特定的標(biāo)定道路內(nèi)可以在一定程度上得到滿足，但在用戶實際駕駛過程中很難得到保證。

2）基于手眼模型的外參標(biāo)定

手眼標(biāo)定早期被應(yīng)用于機(jī)械手上攝像頭的標(biāo)定，并可擴(kuò)展至多種具有定位功能的傳感器標(biāo)定。該方法一般通過求解形如AX=XB的等式約束方程，得到外參矩陣X，A和B為由不同傳感器得到的運動變化量。具體到單激光雷達(dá)的外參標(biāo)定，百度Apollo基于手眼標(biāo)定方法實現(xiàn)了 LiDAR和IMU之間偏航角的標(biāo)定。同樣，參考文獻(xiàn)[3]也采用了手眼模型來實現(xiàn)3D激光雷達(dá)和IMU之間的外參標(biāo)定。英偉達(dá)的DriveWork在進(jìn)行LiDAR的外參標(biāo)定時，選擇了基于手眼標(biāo)定算法來求解其偏航角和俯仰角，并根據(jù)地面擬合標(biāo)定俯仰角和翻滾角。當(dāng)兩種方法標(biāo)定的俯仰角誤差小于設(shè)定的閾值時，就認(rèn)為得到了俯仰角的一致性結(jié)果，并且當(dāng)?shù)鷿M足設(shè)定的終止條件時，輸出最終的標(biāo)定結(jié)果。

從手眼標(biāo)定的求解公式AX=XB[4]可以看出該方法存在的一些問題。首先，為了使方程容易求解，需要使得位姿變換矩陣A和B不能接近單位陣，對應(yīng)的物理含義就是要求車輛在各自由度上有盡可能大的運動。由于車輛幾乎總是平行于地面運動，車輛在側(cè)傾方向上一般不會有太大的變化；因此，該方法通常用于激光雷達(dá)偏航角或俯仰角的標(biāo)定，并要求在特定的場地中按照“８”字形或圓形軌跡行駛[5]。其次，LiDAR里程計、SLAM和車輛位姿模塊的誤差最終會被引入外參標(biāo)定結(jié)果，因此這類方法一般需要高精度的定位模塊。

3）基于點云特征優(yōu)化的外參標(biāo)定

這類方法通常需要建立點云地圖，通過對地圖質(zhì)量特征進(jìn)行分析，并結(jié)合非線性優(yōu)化來獲取外參標(biāo)定結(jié)果。Levinson和Thrun[6]基于Velodyne 64線束LiDAR提出了一種無監(jiān)督的外參標(biāo)定算法：通過已知的車輛運動獲取累積的點云地圖，針對累積點云提出一種能量方程，以表征每個線束中激光點與相鄰線束鄰域激光點構(gòu)成平面之間的距離，并通過對能量方程進(jìn)行優(yōu)化搜索，獲取LiDAR的外參標(biāo)定參數(shù)。參考文獻(xiàn)[7]基于低分辨率的 AesinGCH MStar 8000 LiDAR，提出通過優(yōu)化Reny Quadratic Entropy（RQE）函數(shù)來獲取外參標(biāo)定矩陣。

參考文獻(xiàn)[8]認(rèn)為點云中局部鄰域的點是共面的，并基于此提出了一種表示不同幀點云之間距離的能量方程，但該方法對于樹木、草叢較多、大平面建筑較少的場景精度不高。參考文獻(xiàn)[8]還對移動建圖系統(tǒng)進(jìn)行了激光雷達(dá)的外參標(biāo)定，分析了點云的7種幾何特征并構(gòu)建了不同的損失函數(shù)。在參考文獻(xiàn)[9]中，作者針對傳感器獲取的點云結(jié)合定位系統(tǒng)數(shù)據(jù)構(gòu)建出點云地圖，在對點云地圖進(jìn)行體素濾波后，進(jìn)行上述特征的計算，并代入構(gòu)建的目標(biāo)函數(shù)，通過對目標(biāo)函數(shù)進(jìn)行優(yōu)化，最終求得傳感器外參。參考文獻(xiàn)[10]則認(rèn)為LiDAR外參可以通過對累積3D點云的局部散度進(jìn)行量化來獲得，該方法通過對點云地圖中的每個激光點及其鄰域點集進(jìn)行主成分分析，提出了對應(yīng)的量化目標(biāo)函數(shù)，并通過對其進(jìn)行優(yōu)化來獲取最優(yōu)的外參估計值。

下面我們將分別針對上述三個方向，選取具有代表性的算法進(jìn)行分析和討論。