自動駕駛是近年來的熱門課題,涉及感知、控制、規(guī)劃等復(fù)雜任務(wù),其首要任務(wù)是實現(xiàn)基于多傳感器融合的智能感知,而精確的多傳感融合依賴于傳感器之間的坐標(biāo)系轉(zhuǎn)換關(guān)系（外參數(shù)）。在當(dāng)前主流的自動駕駛方案中,相機（單目相機、雙目相機）能提供豐富的特征和紋理信息,激光雷達（LiDAR）能提供高精度的物體深度信息,兩者的高精確度的數(shù)據(jù)融合至關(guān)重要,因而相機和激光雷達的高精確度外參標(biāo)定十分必要（外參標(biāo)定是指估計傳感器之間相對的旋轉(zhuǎn)和平移,即外參數(shù)）。當(dāng)前,面向自動駕駛的相機和激光雷達自標(biāo)定算法面臨著一些挑戰(zhàn):（1）現(xiàn)存方法大多基于初始值對外參數(shù)進行優(yōu)化,由于車輛在連續(xù)運動,難以通過傳統(tǒng)的利用標(biāo)定板或手動操作的方法獲得外參數(shù)的初始值;（2）自標(biāo)定算法利用原始的相機圖像和激光雷達點云進行標(biāo)定,應(yīng)對數(shù)據(jù)質(zhì)量的寬容度高;（3）車輛長時間行駛的過程中可能出現(xiàn)傳感器位置的偏移,標(biāo)定算法應(yīng)能夠進行及時的修正。為解決標(biāo)定算法獲得外參數(shù)初始值問題,本文提出了一種新穎的相機-激光雷達系統(tǒng)外參數(shù)標(biāo)定方法,利用手眼標(biāo)定的方式來解決標(biāo)定算法中獲取初始值問題,并通過引入單目相機深度值估計來解決單目相機運動中感知尺度丟失的問題。為了在... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景和意義
    1.2 研究現(xiàn)狀
        1.2.1 相機標(biāo)定研究現(xiàn)狀
        1.2.2 相機-激光雷達外參手動標(biāo)定研究現(xiàn)狀
        1.2.3 相機-激光雷達外參自動標(biāo)定研究現(xiàn)狀
        1.2.4 基于特征的方法
        1.2.5 基于運動的方法
        1.2.6 基于互信息的方法
        1.2.7 基于深度學(xué)習(xí)的方法
    1.3 本文的主要研究內(nèi)容
    1.4 本文的章節(jié)安排
第2章 相機、激光雷達的光學(xué)模型和內(nèi)參標(biāo)定
    2.1 相機的針孔模型
        2.1.1 空間的旋轉(zhuǎn)和平移
        2.1.2 理想針孔相機模型
        2.1.3 相機成像畸變
        2.1.4 數(shù)據(jù)結(jié)果
    2.2 激光雷達的機械結(jié)構(gòu)和工作原理
        2.2.1 測距原理
        2.2.2 數(shù)據(jù)格式
        2.2.3 數(shù)據(jù)結(jié)果
    2.3 張氏標(biāo)定法
        2.3.1 單應(yīng)性矩陣
        2.3.2 根據(jù)約束求解
        2.3.3 實驗結(jié)果
    2.4 Kalibr工具——相機內(nèi)外參數(shù)和機器人狀態(tài)聯(lián)合在線估計的標(biāo)定方法
        2.4.1 建立高斯運動-觀測模型
        2.4.2 梯度優(yōu)化
        2.4.3 通過信息熵更新標(biāo)定
        2.4.4 實驗結(jié)果
    2.5 基于單幀數(shù)據(jù)和標(biāo)定板的相機-激光雷達內(nèi)外參標(biāo)定
        2.5.1 角點檢測和棋盤格生長
        2.5.2 亞像素精細(xì)化處理
        2.5.3 外參計算
        2.5.4 實驗結(jié)果
第3章 幾類重要的相機-激光雷達自標(biāo)定方法
    3.1 基于互信息的自標(biāo)定
        3.1.1 互信息概念
        3.1.2 概率估計
        3.1.3 梯度優(yōu)化
    3.2 基于邊緣特征匹配的自標(biāo)定方法
        3.2.1 邊緣和深部連續(xù)的一致性假設(shè)
        3.2.2 邊緣提取
        3.2.3 優(yōu)化目標(biāo)函數(shù)
    3.3 基于運動的自標(biāo)定方法
        3.3.1 問題闡述
        3.3.2 參數(shù)求解
        3.3.3 誤差估計
    3.4 基于深度學(xué)習(xí)的方法
        3.4.1 神經(jīng)網(wǎng)絡(luò)的輸入
        3.4.2 神經(jīng)網(wǎng)絡(luò)架構(gòu)
        3.4.3 損失函數(shù)
第4章 基于深度-邊緣匹配的自標(biāo)定算法的理論基礎(chǔ)
    4.1 李群和李代數(shù)簡述
        4.1.1 李群和李代數(shù)的定義
        4.1.2 旋轉(zhuǎn)矩陣和李代數(shù)的關(guān)系
        4.1.3 李代數(shù)運算
        4.1.4 指數(shù)映射
    4.2 圖像相鄰幀的特征匹配
    4.3 無尺度的單目視覺里程計
    4.4 基于深度信息的單目視覺里程計
        4.4.1 問題闡述
        4.4.2 控制點求解
    4.5 光束平差法
    4.6 基于迭代最近點的激光雷達點云配準(zhǔn)
    4.7 協(xié)方差自適應(yīng)調(diào)整的進化策略
        4.7.1 構(gòu)建高斯模型
        4.7.2 最大似然估更新參數(shù)
        4.7.3 優(yōu)化步長調(diào)整
    4.8 基于有序回歸網(wǎng)絡(luò)的單目深度估計
        4.8.1 稠密特征提取
        4.8.2 場景理解
        4.8.3 距離漸進離散化
        4.8.4 多分類回歸
第5章 基于深度-邊緣匹配的自標(biāo)定方法與實驗結(jié)果
    5.1 問題闡述
        5.1.1 外參的初始化
        5.1.2 數(shù)據(jù)轉(zhuǎn)換
        5.1.3 參數(shù)優(yōu)化
    5.2 算法實現(xiàn)
        5.2.1 第一階段——基于手眼標(biāo)定的初始化
        5.2.2 第二階段——基于深度匹配的標(biāo)定
        5.2.3 第三階段——基于深度-邊緣的標(biāo)定
    5.3 系統(tǒng)實現(xiàn)
    5.4 實驗結(jié)果
        5.4.1 實驗設(shè)備和數(shù)據(jù)
        5.4.2 誤差評價
        5.4.3 初始化實驗
        5.4.4 相較于基于邊緣匹配的原方法的改進的實驗
        5.4.5 在搭建的自動駕駛系統(tǒng)上的實驗
結(jié)論
參考文獻
攻讀碩士學(xué)位期間發(fā)表的論文及其他成果
致謝



本文編號：3327247