专利交易市场

一种用于激光雷达与相机联合标定的立体标定板，包括底板和一个位于底板中心的正四棱台，底板的四角与四棱台的上底面上具有图像ArUco标记，用于激光雷达特征点的自动识别和跟图像ArUco标记角点的自动匹配，所述图像ArUco标记用于图像标记自动识别。还包括一种用于激光雷达与相机联合标定的标定方法。本发明通过同一激光束在相邻平面上的两条直线相交求得落在棱台侧棱与棱台底面边线上的点继而求出侧棱与底面边线的直线方程，然后通过侧棱与底面边线相交的方法求出四棱台的顶点对应的激光雷达坐标系下的坐标，可以有效的避免用激光雷达的距离跳变确定边沿点，然后拟合顶点这种方法带来的误差，提高激光雷达特征点检测的精度。

本发明涉及一种基于混合高斯排序的激光雷达点云目标分级识别方法，包括采集激光雷达点云数据并进行预处理、进行地面点云去除筛选出非地面点云、进行非地面点云密度聚类、按重要程度进行排序、按重要程度依次进行识别和输出识别出的目标等步骤。本发明可以大幅减少迭代次数，提高地面拟合算法的实时性，使地面拟合模块稳定性得以提升；可以按待识别目标的重要程度进行分层排序，保证每个目标的重要程度唯一，可以在计算资源有限时优先把计算资源分给识别更重要的目标；具有较高实时性、较强稳定性，对于部署在自动驾驶车辆等计算资源有限的设备上，应对复杂多变的真实环境具有较好的适用性。

本发明属于地基激光雷达点云数据处理技术领域，具体涉及一种基于地基激光雷达点云数据的叶面积求解方法。本发明利用Alpha‑shape算法从一堆无序的三维点中构建的多边形和多面体，从而对枝叶分离后的叶片点进行包络面拟合，以重建叶片表面并进行精确的叶面积求解。本发明可以摆脱传统基于物理模型的叶面积求解方法对参数的依赖，克服因模型复杂造成的数据采集困难，提取叶面积的精度优异。

本发明公开了一种无人驾驶环境感知中相机与激光雷达标定系统及标定方法，基于一种定制标定板的传感器系统，分别对相机和激光雷达所采集的数据进行处理，得到两传感器各自坐标下标定板上镂空圆圆心的三维坐标，再基于改进的ICP(迭代最近点)算法对两组点集进行配准，解算相机与激光雷达之间的相对位姿关系，得到标定结果。本发明提供一种无人驾驶环境感知中相机与激光雷达标定系统及算法，其通过改进的算法使得软件系统或者算法具有较强的鲁棒性，提升了标定精度，为相机与激光雷达数据融合做准备。

本申请实施例提供一种激光雷达点云数据增强方法、装置、设备、介质及产品。在该方法中，通过根据待补充激光雷达点云数据的采集位置，生成筛选区域后，结合多个待筛选激光雷达点云数据的采集位置的高度值，对多个待筛选激光雷达点云数据进行筛选，得到第一点云数据，再与待补充激光雷达点云数据进行融合，得到目标点云数据。本方案通过筛选后的第一点云数据与待补充激光雷达点云数据进行融合，增加了激光雷达点云数据中点的数量，并且由于第一点云数据的采集位置与待补充激光雷达点云数据的采集位置较近，并且处于同一高度范围，第一点云数据与待补充激光雷达点云数据有对相同地图元素的扫描得到的点云，可提高后续目标检测的准确性。

一种基于NDT配准与轮式里程计的激光雷达运动畸变补偿方法，所述方法包括以下步骤：步骤1，轮式里程计运动估计，步骤2，帧间坐标变换，步骤3，优化运动畸变补偿。本发明建立轮式里程计传感器线性插值数学模型，根据轮式里程计测量位姿消除激光雷达的部分运动畸变；基于NDT点云配准方法，设计激光雷达运动畸变的精准补偿。本发明提供一种精准补偿激光雷达运动畸变的方法，实现降低SLAM轨迹累计误差和生成全局一致地图，最终提高SLAM系统的准确性。

本发明请求保护一种基于视觉和激光雷达的目标检测和运动状态估计方法，包括以下步骤：1.安装相机与激光雷达的位置，并进行两两双目相机之间的标定，以及车前左相机与激光雷达之间的联合标定。并将立体视觉系统与激光雷达各自生成的稀疏点云进行融合和补充，构成全局的三维点云图；2.用深度学习的方法对二维图像以及三维点云进行检测，并通过立体视觉生成的图像目标三维运动状态和激光雷达三维点云目标融合，获取综合的目标三维特征点；3.根据目标三维特征点，利用卡尔曼滤波对目标进行跟踪，分析其运动状态。本发明的关键在于视觉与激光雷达传感器之间的融合，改善智能汽车对周围环境的感知能力。