［摘 要］激光雷達與相機聯(lián)合標(biāo)定是實現(xiàn)兩者采集數(shù)據(jù)高精度融合的基礎(chǔ)，傳統(tǒng)的聯(lián)合標(biāo)定方法多采用特征點識別的方式，易受環(huán)境噪聲及激光雷達分辨率等問題的影響。文章提出一種基于ICP 配準(zhǔn)的聯(lián)合標(biāo)定算法，采用設(shè)計的標(biāo)定物模板，通過ICP 配準(zhǔn)算法實現(xiàn)實際標(biāo)定物點云與標(biāo)定物模板點云間精確對齊，并根據(jù)標(biāo)定物模板特定角點位置，獲取實際標(biāo)定物點云角點坐標(biāo)。在此基礎(chǔ)上，通過PnP 算法求解激光雷達與相機間轉(zhuǎn)換矩陣，進行激光雷達與相機所對應(yīng)點云坐標(biāo)與像素坐標(biāo)間的轉(zhuǎn)換，實現(xiàn)兩傳感器之間的高精度聯(lián)合標(biāo)定。試驗結(jié)果表明，文章提出的聯(lián)合標(biāo)定算法能夠有效提高激光雷達與相機間的聯(lián)合標(biāo)定精度，可為更準(zhǔn)確的目標(biāo)檢測和跟蹤提供高精度聯(lián)合測量基礎(chǔ)。

［關(guān)鍵詞］ICP ；配準(zhǔn)；標(biāo)定；多傳感器融合；PnP ；激光雷達

［中圖分類號］TN957.52 ［文獻標(biāo)志碼］A ［文章編號］2095–6487（2024）07–0157–06

1 背景

近年來，激光雷達和相機廣泛應(yīng)用于自動駕駛、智能物流等領(lǐng)域。使用激光雷達可直接獲取測量點深度信息，但在缺少形態(tài)信息的場景易出現(xiàn)退化或失效的問題[1]。而相機可提供高分辨率、高顏色還原度的圖像信息，但易受光線干擾[2]。為充分利用激光雷達和相機的優(yōu)勢，通常將二者結(jié)合使用，其中，實現(xiàn)兩者精準(zhǔn)標(biāo)定十分關(guān)鍵。

由于激光雷達與相機的測量信息采集原理不同，導(dǎo)致目標(biāo)測量信息所在坐標(biāo)系及分辨率表征不同，需通過激光雷達與相機的聯(lián)合標(biāo)定，才能實現(xiàn)兩者數(shù)據(jù)的高精度融合。傳統(tǒng)聯(lián)合標(biāo)定方法通常需要設(shè)計標(biāo)定物與標(biāo)定點，如DHALL A 等[3] 以兩個平面矩形板作為標(biāo)定物，并粘貼ArUco 標(biāo)記，自動標(biāo)定相機與激光雷達的外參，但需要人為地篩選出標(biāo)定物邊緣點。俞德崎等[4] 通過人工測量相機與激光雷達之間的平移參數(shù)對標(biāo)定結(jié)果進行驗證，但存在人工測量誤差且不能驗證旋轉(zhuǎn)參數(shù)。也有部分學(xué)者通過精準(zhǔn)提取并匹配相似特征，實現(xiàn)激光雷達與相機聯(lián)合標(biāo)定。如PARK Y 等[5] 以標(biāo)定物頂點作為特征點，通過特征點位置提取與匹配，有效提高激光雷達與相機聯(lián)合標(biāo)定精度，但對激光雷達設(shè)備掃描次數(shù)有限制，存在一定局限性。此外，也有借助相關(guān)標(biāo)定工具的實現(xiàn)方式。如KATO S 等[6–7] 設(shè)計的平面標(biāo)定板可標(biāo)定相機內(nèi)參及兩傳感器的外參，而BELTRAN J[8] 設(shè)計了一種包含4 個圓孔的平面標(biāo)定板，用于求解點和點之間的約束關(guān)系，但點云特征需要人工操作選定，標(biāo)定結(jié)果的穩(wěn)定性較差。

根據(jù)上述研究，基于特征匹配或借助標(biāo)定工具的激光雷達相機聯(lián)合標(biāo)定方法均需要提取標(biāo)定物中的點或線特征，對特征識別精度要求較高。然而，特征提取精度通常受激光雷達分辨率、特征識別算法精度及環(huán)境噪聲影響。激光雷達分辨率較低或識別算法精度較低，將導(dǎo)致點線特征提取精度低；環(huán)境噪聲大，將導(dǎo)致掃描點云的點、線特征不穩(wěn)定，從而最終造成激光雷達相機聯(lián)合標(biāo)定精度低。因此，文章引入棋盤格模板，通過標(biāo)注特定棋盤格角點位置，提出了一種基于ICP 配準(zhǔn)的激光雷達相機聯(lián)合標(biāo)定算法。