一种基于激光雷达的车位测评方法、系统、设备及介质与流程

1.本技术属于激光雷达车位测评的技术领域，特别是涉及一种基于激光雷达的车位测评方法、系统、设备及介质。


背景技术：

2.随着车辆自动泊车系统在乘用车上需求逐渐变多，在乘用车自动泊车系统的车位检测上，常存在真值参考数据量少，车位检测算法在测评后，造成测评结果在优化方向的选取上未有合适的量化参考标准，导致乘用车自动泊车系统难以进行迅速准确的高精度泊车。
3.鉴于此，有必要提出一种基于激光雷达的车位测评方法、系统、设备及介质以解决目前激光雷达的车位测评难以实现高精度泊车检测，以及高精度测评的问题。


技术实现要素：

4.本技术提供一种基于激光雷达的车位测评方法、系统、设备及介质，以解决目前激光雷达的车位测评难以实现高精度泊车，以及高精度测评的问题，本技术基于激光雷达和反光模块实现，通过在测试场景的车位角点上设置反光模块，运行车辆，采集激光雷达数据和车位检测数据，其中所述激光雷达安装在所述车辆上，所述车位检测数据基于车辆的摄像头获取；基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；基于预设的反光强度阈值，提取所述点云地图中反光模块的点云数据，并对所述反光模块的点云数据进行聚类获得聚类结果；将所述聚类结果通过加权平均得到车位角点位置数据；基于车位角点位置数据恢复车位信息，将所述车位信息与所述车位检测结果进行比较，并对车位检测结果进行测评，简化了现有激光雷达的车位测评方案，实现了高精度泊车检测，提升了激光雷达的车位测评精度。
5.本技术的目的及解决其技术问题是采用以下技术方案来实现的。
6.本技术提供一种基于激光雷达的车位测评方法，基于激光雷达和反光模块实现，该车位测评方法包括：
7.在测试场景的车位角点上设置反光模块，运行车辆，采集激光雷达数据和车位检测数据，其中所述激光雷达安装在所述车辆上，所述车位检测数据基于车辆的摄像头获取；
8.基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；
9.基于预设的反光强度阈值，提取所述点云地图中反光模块的点云数据，并对所述反光模块的点云数据进行聚类获得聚类结果；将所述聚类结果通过加权平均得到车位角点位置数据；
10.基于车位角点位置数据恢复车位信息，将所述车位信息与所述车位检测结果进行
比较，并对车位检测结果进行测评。
11.可选的，在测试场景的车位角点上设置反光模块包括：
12.在测试场景的车位角点上设置具有第一标识的反光模块标识车辆的车位角点；其中，第一标识为反光标识或预设结构标识。
13.可选的，所述激光雷达安装在所述车辆上包括：
14.在车辆上不同方位安装单线激光雷达；和/或
15.在车辆上不同方位安装多线激光雷达。
16.可选的，对所述反光模块的点云数据进行聚类获得聚类结果包括：
17.对所述反光模块的点云数据按每一个类代表一个车位角点的方式进行聚类并获得聚类结果。
18.可选的，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图包括：
19.基于激光雷达数据采集激光雷达点云数据，基于所述激光雷达点云数据创建测试场景的三维地图；
20.将激光雷达的各帧点云数据进行拼接和定位，获取车辆在所述三维地图中的位置信息和姿态信息。
21.可选的，基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标包括：
22.基于所述车位检测数据在所述三维地图中的位置信息和姿态信息，将当前时刻当前位置所述车位检测数据的车位坐标转换至测试场景的所述三维地图的全局坐标中。
23.可选的，对车位检测结果进行测评包括：
24.基于车位检测结果测评车位角点的精度；
25.基于车位检测结果测评有车位的角度。
26.可选的，在测试场景中运行车辆，采集激光雷达数据和车位检测数据还包括：
27.在测试场景中采集车载的编码器数据、惯性测量单元imu数据和定位导航系统数据。
28.可选的，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图还包括：
29.基于激光slam算法通过激光雷达数据、车载的编码器数据、惯性测量单元imu数据和定位导航系统数据进行测试场景的三维重建并获取定位数据的点云地图。
30.本技术还提供一种基于激光雷达的车位测评系统，基于激光雷达和反光模块实现，包括：
31.检测数据采集单元，用于在测试场景的车位角点上设置反光模块，运行车辆，采集激光雷达数据和车位检测数据，其中所述激光雷达安装在所述车辆上，所述车位检测数据基于摄像头获取；
32.点云地图生成单元，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；
33.聚类单元，基于预设的反光强度阈值，提取所述点云地图中反光模块的点云数据，
并对所述反光模块的点云数据进行聚类获得聚类结果；将所述聚类结果通过加权平均得到车位角点位置数据；
34.测评单元，基于车位角点位置数据恢复车位信息，将所述车位信息与所述车位检测结果进行比较，并对车位检测结果进行测评。
35.本技术还提供一种电子设备，该电子设备包括：
36.存储器，用于存储非暂时性计算机可读指令；以及
37.处理器，用于运行所述计算机可读指令，使得所述计算机可读指令被所述处理器执行时实现上述所述的方法。
38.本技术还提供一种计算机可读存储介质，该计算机可读存储介质包括计算机指令，当所述计算机指令在设备上运行时，使得所述设备执行上述所述的方法。
39.本技术与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本技术至少具有以下优点及有益效果之一：
40.一、本技术基于激光雷达和反光模块实现，包括：在测试场景的车位角点上设置反光模块，运行车辆，采集激光雷达数据和车位检测数据，其中所述激光雷达安装在所述车辆上，所述车位检测数据基于车辆的摄像头获取；基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；基于预设的反光强度阈值，提取所述点云地图中反光模块的点云数据，并对所述反光模块的点云数据进行聚类获得聚类结果；将所述聚类结果通过加权平均得到车位角点位置数据；基于车位角点位置数据恢复车位信息，将所述车位信息与所述车位检测结果进行比较，并对车位检测结果进行测评。本技术通过采用聚类操作的方式获取车位角点数据后，在对车位角点数据进行加权平均，得到车位角点位置数据，并基于车位角点位置数据恢复真实的车位信息，通过激光雷达和匹配的反光模块提高了获取到的真实车位信息的可靠性。同时采用将摄像头获取所述车位检测数据得到车位检测结果，通过将恢复的真实的车位信息与车位检测结果比较得到车位检测测评结果。本技术简化了现有激光雷达的车位测评方案，实现了高精度泊车检测，提升了采用激光雷达的车位测评精度。
41.二、本技术通过在测试场景的车位角点上设置具有第一标识的反光模块标识车辆的车位角点；其中，第一标识为反光标识或预设结构标识。如反光标识可以为高反光材料，预设结构标识可以为将反光模块设置为预设的板状结构/圆柱形结构/桶状结构形态。反光模块的第一标识还可以表示为由高反光材料制作的上述预设结构形态标识。本技术通过具有第一标识的反光模块标识车辆的车位角点信息，保证了每个车位角点数据的准确性；确保了每个车位的角点数据在进行聚类计算时，对聚类结果通过加权平均得到每个车位角点位置数据，以及将所述车位信息与所述车位检测结果进行比较的准确性和便捷性。
42.三、本技术基于激光slam算法通过激光雷达数据、车载的编码器数据、惯性测量单元imu数据和定位导航系统数据进行测试场景的三维重建，获取定位数据和点云地图；基于所述车位检测数据在所述三维地图中的位置信息和姿态信息，将当前时刻当前位置所述车位检测数据的车位坐标转换至测试场景的所述三维地图的全局坐标中，并经过计算得到车位检测结果；基于车位检测结果测评车位角点的精度；基于车位检测结果测评有车位的角度。保证了在测试场景中三维重建的定位数据和点云地图与全局坐标中三维地图的一致
性，实现了在高精度泊车的同时提升了激光雷达的车位测评精度。
43.上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图,详细说明如下。
附图说明
44.图1是本技术一实施例的一种基于激光雷达的车位测评方法的流程示意图；
45.图2是本技术一实施例的车位角点标识的原理示意图；
46.图3是本技术一实施例的一种基于激光雷达的车位测评系统的结构示意图；
47.图4是本技术一实施例的电子设备的结构示意图。
具体实施方式
48.为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例，对依据本发明提出的其具体实施方式、结构、特征及其功效，详细说明如下。
49.本技术提供一种基于激光雷达的车位测评方法，基于激光雷达和反光模块实现，如附图1所示，该车位测评方法包括：
50.s1，在测试场景的车位角点上设置反光模块，运行车辆，采集激光雷达数据和车位检测数据，其中所述激光雷达安装在所述车辆上，所述车位检测数据基于车辆的摄像头获取；
51.s2，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；
52.s3，基于预设的反光强度阈值，提取所述点云地图中反光模块的点云数据，并对所述反光模块的点云数据进行聚类获得聚类结果；将所述聚类结果通过加权平均得到车位角点位置数据；
53.s4，基于车位角点位置数据恢复车位信息，将所述车位信息与所述车位检测结果进行比较，并对车位检测结果进行测评。
54.需要说明的是，在测试场景中运行车辆，包括但不局限于通过激光雷达，采用高精度dtof对车辆当前时刻对应位置附近的多个不同目标发射探测信号(激光束)，将接收到从多个对应目标反射回的信号(对应目标激光束回波)与发射信号(目标发射激光束)进行比较，经处理后可获得基于测试场景中运行的车辆状态对应的多个不同车位目标高精度的激光雷达数据。激光雷达可以采用在车辆上设置单轴云台和/或多轴云台，通过多个线激光雷达和/或多线激光雷达获取测试场景中激光雷达数据，以及通过车辆的摄像头获取车位检测数据。如通过长距激光雷达可在测试场景的高速行驶环境下感知远距离障碍物，角向激光雷达可以辅助车辆感知周围环境信息，为在测试场景中变道或超车、自动巡航或泊车时防止碰撞、在列队行驶/泊车等情况下提供感知的激光雷达数据信息，如车位的距离和方位，车位前方障碍物的高度和速度，车位平台面的高度和形状等，泊车过程中车辆车位的位姿，车位的车位线或分割线之间的切割形状，以及车位形状和车位角点在车位线或分割线
的分布等激光雷达数据。基于车辆的摄像头获取的车位检测数据信息与上述激光雷达数据信息相似，在此不再赘述。
55.基于激光slam(simultaneous localization mapping，同步定位与地图构建)算法和激光雷达采集的上述数据进行测试场景的三维重建，作为一种可选的实施方式，可以采用icp算法计算帧间的位姿，为激光雷达点云进行初始化和精细化匹配，通过在车辆当前位置状态时，激光雷达点云未变换和未旋转时进行初始化匹配，获取具有实际边界的可靠初始值，并基于定位数据的变换和旋转，通过设定的loss函数将获取的初始化匹配进行精细化的修正。具体地，(1)根据初始化匹配的初始值或上次迭代的匹配结果得到一个临时变换点云；(2)在当前实际的激光雷达点云和临时变换点云上进行对应激光雷达点云的匹配；(3)根据对应匹配的激光雷达点云点对的距离构造loss函数；(4)对点云点对构造的loss函数进行优化和迭代求解。或者还可采用点到点的匹配方法(point-to-line icp)或ndt以减小车辆检测过程中的运动畸变，在此不再赘述。
56.作为另一种可选的实施方式，可将所有采集的激光雷达的特征点转移到当前帧的坐标系下，并通过测试场景中车辆车位进行初始化的三维地图重建，再将前后帧的点云数据转移到同一坐标系下进行激光雷达点云数据的匹配，生成基于初始化后进行重建的三维地图，同时基于测试场景中重建的三维地图获取车辆车位角点定位数据的点云地图。基于激光雷达线特征和面特征的点云数据构建不同的loss函数(如点云数据到直线或平面的距离)获得初始位姿数据，并根据初始化的位姿数据进行测试场景中三维建图，并将初始化的位姿基于scan to map算法进行优化生成高精的位姿数据，采用激光雷达点云数据配准后的激光里程数据，将当前车辆位置车位检测数据的车位坐标转换至三维全局地图中的全局坐标中，经计算得到车位检测结果。
57.在获取的激光雷达数据中预设合适的反光强度阈值，提取所述点云地图中的反光点云数据如反光点云数据，并对所述高反光点云数据进行聚类操作，并将获得的聚类结果通过加权平均计算得到车位角点位置数据，所述车位角点位置数据不限于包括车位角点位置，以及两个车位角点位置距离数据。基于车位角点位置数据恢复车位信息，将恢复的真实的车位信息和计算的对应的车位检测结果进行比较，以及将恢复的真实的车位角点信息和计算的对应的车位检测结果进行比较，并对基于激光雷达的车位检测结果根据车位角点的精度和/或有车位的角度进行测评。本技术通过采用聚类操作的方式获取车位角点数据后，再对车位角点数据进行加权平均，得到真实的车位角点位置数据，提升了获取真实角点数据的可靠性。同时，本技术还简化了现有激光雷达的车位测评，实现了高精度泊车检测，提升了激光雷达的车位测评精度。
58.可选的，在测试场景的车位角点上设置反光模块包括：
59.在测试场景的车位角点上设置具有第一标识的反光模块标识车辆的车位角点；其中，第一标识为反光标识或预设结构标识。
60.需要说明的是，车辆车位角点上设置至少一个反光模块，以获取车辆车位角点对应的车位检测数据，获取的车位检测数据通过车位角点上设置的反光模块标识车辆车位角点。如反光标识可以为高反光材料，预设结构标识可以为将反光模块设置为预设的板状结构/圆柱形结构/桶状结构形态。反光模块的第一标识还可以表示为由高反光材料制作的上述预设结构形态标识。上述反光模块可以为一种由高反光材料制作的圆柱形反光桶，和/或
为一种由高反光材料制作的板状的反光板。通过车辆上安装的激光雷达发射激光雷达光束照在反光模块上，可以获取对应的车辆车位角点数据信息，该车辆车位角点数据包括不限于车辆车位类型，车辆车位尺寸，车辆车位ip，车辆车位角点与车位的位置关系，车辆车位信息索引(包括起始索引和结束索引)，以及车辆当前位置进行激光雷达扫描时，通过反光模块标识的对应每个车位角点的扫描线或扫描面，或者每个车位角点在扫描时的时间戳，基于每个激光雷达点云对应的车位角点数据，计算激光雷达点云角度范围时，可以根据每个车位角点对应的扫描线或扫描面在扫描时的时间戳计算激光雷达点云中每个车位角点的水平角度，即激光雷达在扫描时，通过激光雷达的驱动结合每个车辆车位角点上反光模块标识，将每个点云的线编号(面编号)、角度和时间戳数据统一对应。本技术通过具有第一标识的反光模块标识车辆的车位角点信息，保证了每个车位角点数据的准确性；确保了每个车位的角点数据在进行聚类计算时，对聚类结果通过加权平均得到每个车位角点位置数据，以及将所述车位信息与所述车位检测结果进行比较的准确性和便捷性。
61.可选的，所述激光雷达安装在所述车辆上包括：
62.在车辆上不同方位安装单线激光雷达；和/或
63.在车辆上不同方位安装多线激光雷达。
64.需要说明的是，在车辆上不同方位安装单线激光雷达时，通过车辆上二维/三维(2d/3d)云台将不同方位的单线激光雷达按位置关系关联在一起形成2d和3d中单线和多线功能的激光雷达。或者，上述一个或多个单线激光雷达不需关联也能实现上述所述的激光雷达功能，在此不再赘述。
65.作为一种可选的实施方式，上述构成2d和3d中单线功能的激光雷达可以采用多线激光雷达进行替代，以简化激光雷达安装的数量和结构形态。本技术通过单线激光雷达获取地图信息，构建地图时，单次扫描的速度快、分辨率强、可靠性高，在扫描的角频率及灵敏度，以及测试车辆周围障碍物的距离和精度上更精准。
66.作为一种可选的实施方式，多线激光雷达获取车辆周围多目标和同一个目标的多个不同类别数据的时效性更强，能实现基于3d建模进行环境感知，通过激光扫描可以得到汽车周围环境的3d模型，运用相关算法比对上一帧和下一帧环境的变化可以较为容易的探测出周围的车辆和行人。同时通过slam算法加强定位，3d激光雷达可以同步建立激光雷达点云地图，通过将实时得到的全局地图和高精度点云地图中车位及车位角点的特征进行比对，实现导航，以及提高车辆车位和车位对应车位角点的定位精度。
67.本技术还可以通过将单线激光雷达和多线激光雷达进行关联，并在同一个相同检测目标上用关联的单线激光雷达对多线激光雷达进行激光雷达数据校准，提高了检测目标(如三维数据及点云数据)的精准性。
68.可选的，对所述反光点云数据进行聚类获得聚类结果包括：
69.对所述反光模块的点云数据按每一个类代表一个车位角点的方式进行聚类并获得聚类结果。
70.需要说明的是，对所述反光点云数据进行汇总，同时基于汇总的反光点云数据设置反光强度阈值，提取点云地图中的高反光强度的激光雷达点云数据，按每一个类代表一个车位角点的规则和方式进行聚类操作，获得代表不同类别的多个车位角点数据。例如，在对同一角点数据的不同激光雷达点云数据进行处理时可能存在多个角点数据，因此在进行
聚类操作时，还可以将每一个类代表的对应的多个车位角点进行加权平均计算，其中，加权值可以与上述多个车位角点数据相对平均值成正比关系，通过加权平均得到本类对应的车位角点的位置数据。例如，为了保证该类代表的该车位角点数据的聚合性和收敛性，一方面可以对每个类代表的车位角点数据中的奇异值进行剔除(如与本类车位角点数据相对平均值差异较大的角点数据)，以保证车位角点数据的收敛性；另一方面还可以增加本类车位角点数据在相对平均值数据附近的权重系数，以保证本类车位角点数据的聚合性。
71.可选的，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图包括：
72.基于激光雷达数据采集激光雷达点云数据，基于所述激光雷达点云数据创建测试场景的三维地图；
73.将激光雷达的各帧点云数据进行拼接和定位，获取车辆在所述三维地图中的位置信息和姿态信息。
74.需要说明的是，例如，所述激光雷达点云数据可以是基于车辆上不同方位的单线激光雷达和/或多线激光雷达采集的激光雷达点云数据。作为一种可选的实施方式，在单线激光雷达和多线激光雷达同时采集激光雷达点云数据时，可以基于多线激光雷达点云数据创建测试场景的三维地图，可以基于匹配关联的单线激光雷达点云数据对该三维地图进行校正，还可以采用对定位数据点云的各帧点云数据分别转换至预置坐标系，如车位坐标系或三维全局坐标系中，将转换坐标系后的定位数据点云的多帧点云数据进行第一定位点云的拼接，并按照预置的数据结构，将第一定位点云拼接后的点云数据进行调整；对调整后的定位点云数据进行第二定位点云的拼接，并将第二定位点云拼接后的点云数据转换至预置坐标系，通过对定位数据点云的拼接和定位获取车辆在三维地图中的位置信息和姿态信息等。
75.可选的，基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标包括：
76.基于所述车位检测数据在所述三维地图中的位置信息和姿态信息，将当前时刻当前位置所述车位检测数据的车位坐标转换至测试场景的所述三维地图的全局坐标中。
77.需要说明的是，将激光雷达的各帧点云数据进行拼接和定位，获取车辆在所述三维地图中的位置信息和姿态信息是在车辆车位坐标系下完成，还需要基于三维地图中车辆按当前时刻当前位置车位检测数据在车位坐标系下的位置信息和姿态信息转换至当前时刻当前位置测试场景三维地图的全局坐标系中。基于当前时刻当前位置的转换，保证了三维地图信息中车位检测数据从车位坐标系转换至全局坐标系车位检测数据的连续性。
78.可选的，对车位检测结果进行测评包括：
79.基于车位检测结果测评车位角点的精度；
80.基于车位检测结果测评有车位的角度。
81.需要说明的是，可以对激光雷达采集的点云数据集中按每一个类代表一个车位角点进行聚类的每帧点云数据的至少一个三维点云数据真值进行标注，恢复通过标注的三维点云数据对应的车位信息，以及基于摄像头采集所对应的车位检测数据的车位检测结果，将车位检测结果与车位信息中对应的车位角点的精度进行评测。上述车位角点的精度不限于包括车位角点的位置坐标的精度和对应的车位角点间距离的精度。例如，如果该车位角
点测评的精度达到预设的阈值，则将检测的车位角点对应匹配在该车位角点对应的车位位置上，并基于该车位上满足精度阈值要求的多个车位角点计算车位信息与车位检测结果中有车位的角度，将满足该车位角度精度的检测结果匹配为该车位的角度。基于获取的车位检测结果中车位角点的精度和对应的有车位的角度分别与恢复的车位信息数据中车位角点的精度和对应的有车位的角度进行测评比较，并评估检测的结果。当然，上述测评比较的车位检测结果测评数据不限于包括车位的类型、车位的尺寸(如形态和面积)、车位ip、车位角点的水平角度、车位角点与车位的位置关系，、车位信息索引，以及在车位当前位置进行激光雷达扫描的扫描线或扫描面，或者每个车位角点在扫描时的时间戳等数据信息。上述对车位检测结果进行的测评方法和过程在此不再赘述。
82.本技术通过三维点云数据的检测评估结果评估测试场景的三维地图的三维点云数据、车位对应的车位角点数据的精度，以及车辆车位(包括车位的角度)，使基于激光雷达的车位检测数据和结果更准确和完整；同时本激光雷达的车位信息检测测评结果对车位检测在车位角点的精度和有车位的角度两个方面提供量化参考，使基于激光雷达的车位检测精度的评测系统检测精度高且易于实现。
83.可选的，在测试场景中运行车辆，采集激光雷达数据和车位检测数据还包括：
84.在测试场景中采集车载的编码器数据、惯性测量单元imu数据和定位导航系统gnss数据。
85.需要说明的是，不同的测试车辆具有不同车载的编码器，在测试场景中运行的车辆上不限于设置车载的编码器、惯性测量单元imu以及定位导航系统gnss，车载的编码器与采集单元连接，用于产生脉冲信号并将脉冲信号发送至采集单元中，上述采集单元所采集的激光雷达数据、车位检测数据、惯性测量单元imu数据、定位导航系统gnss数据中均带有车载的编码器数据，通过采用车载的编码器数据将采集的激光雷达数据、车位检测数据、惯性测量单元imu数据、定位导航系统gnss数据进行匹配和关联，可使采集的激光雷达数据、车位检测数据、惯性测量单元imu数据、定位导航系统gnss数据基于车载的编码器数据进行融合。本技术还可以通过在不同的测试车辆上设置不同的车载的编码器，同时通过密集的激光雷达点云数据可以直接得到用于测试场景三维地图中用于采集车位检测的点云数据时运行车辆的多种参数，同时将不同车辆在测试场景中的不同类别的多种参数基于各个不同车载的编码器数据与三维地图中激光点云数据进行融合，可以直接得到车位检测过程中不同车辆的运行轨迹，使不同车辆基于激光雷达对同一车位的车位检测更易测评和识别。
86.可选的，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图还包括：
87.基于激光slam算法通过激光雷达数据、车载的编码器数据、惯性测量单元imu数据和定位导航系统gnss数据进行测试场景的三维重建，获取定位数据和点云地图。
88.需要说明的是，基于车载的编码器数据将运行车辆采集的激光雷达数据、车位检测数据分别与车辆在测试场景中采集时的多种参数，如运行车辆的激光雷达云台的三轴姿态角(或角速率)和对应的加速度，以及定位导航系统gnss的定位坐标数据，运行轨迹等数据相互融合。基于激光slam算法将运行车辆采集的激光雷达云台的三轴姿态角(或角速率)、对应的加速度，以及定位导航系统gnss的定位坐标数据，运行轨迹等数据对激光雷达数据创建的测试场景中三维地图进行重建，并对重建的测试场景中三维地图的激光点云数
据进行修正，使激光点云数据准确的定位激光点云三维地图，得到准确的车位角点数据，以及车位角点位置数据。
89.在本技术的一实施例中，如附图2为车位角点标识的原理示意图。对反光点云数据进行聚类，基于按每一个类代表一个车位角点的方式进行聚类并获得聚类结果，聚类结果包括按列排列的第一车位和第三车位
……
，以及按列排列的第二车位和第四车位
……
。其中，每个车位前端的两个车位角点位置分别设置角点标识，如第一车位包括两个第一车位角点标识，第二车位包括两个第二车位角点标识，第三车位包括两个第三车位角点标识，第四车位包括两个第四车位角点标识。可以基于上述各车位角点位置坐标得到相邻车位角点的多个间距值，通过将上述多个间距值与预设的车位宽度值进行比较，在两者误差满足在预设的误差范围内的两个车位角点判定为同一车位前端相互对应的两个车位角点，并分别基于识别出相互对应匹配的多个车位角点对，以及每个车位角点对与每个对应车位的位置关系分别恢复出第一车位、第二车位、第三车位和第四车位
……
。第一车位角点与第二车位角点间的距离为d
12
，第一车位角点与第三车位角点间的距离为d
13
，第一车位角点与第四车位角点间的距离为d
14
(图中未示出)，第二车位角点与第三车位角点间的距离为d
23
(图中未示出)，第二车位角点与第四车位角点间的距离为d
24
，第三车位角点与第四车位角点间的距离为d
34
；由于d
12
和d
34
远大于运行车辆的宽度，d
13
和d
24
远小于运行车辆的宽度，则d
13
和d
24
相邻车位的车位角点间的距离如第一车位角点与第三车位角点间的距离，以及第二车位角点与第四车位角点间的距离。基于激光雷达数据采集激光雷达点云数据，基于所述激光雷达点云数据创建测试场景的三维地图；将各个三维地图中车位角点及车位角点标识的点云数据进行拼接和定位，获取车辆在所述三维地图中按列排列的第一车位和第三车位
……
，以及按列排列的第二车位和第四车位
……
，其中第一车位和第三车位按列排列
……
，第二车位和第四车位按列排列
……
。将车位检测数据的车位坐标转换至测试场景的所述三维地图的全局坐标中，并基于车位检测结果测评各个车位角点的精度，基于车位检测结果测评有车位的角度得到第一车位和第二车位按行对应在相同行的位置。可以基于激光slam算法通过激光雷达数据、车载的编码器数据、惯性测量单元imu数据和定位导航系统gnss数据进行测试场景的三维重建，获取定位数据和点云地图(见附图2所示)。由于d
12
和d
34
大小相等，且远大于运行车辆的长度值，第一角点间的距离大于运行车辆的宽度值，小于运行车辆的长度值，且与车位宽度值极为接近，可以以仅位于两列车位相邻的一侧采集车位角点数据，该车位角点数据包括车位角点标识、车位角点之间的距离等，其他内容说明参见车位检测方法的内容阐述，在此不再赘述。
90.本技术还提供一种基于激光雷达的车位测评系统，基于激光雷达和反光模块实现，如附图3所示，该车位测评系统300包括：
91.检测数据采集单元310，用于在测试场景的车位角点上设置反光模块，运行车辆，采集激光雷达数据和车位检测数据，其中所述激光雷达安装在所述车辆上，所述车位检测数据基于车辆的摄像头获取；
92.点云地图生成单元320，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；
93.聚类单元330，基于预设的反光强度阈值，提取所述点云地图中反光模块的点云数
据，并对所述反光模块的点云数据进行聚类获得聚类结果；将所述聚类结果通过加权平均得到车位角点位置数据；
94.测评单元340，基于车位角点位置数据恢复车位信息，将所述车位信息与所述车位检测结果进行比较，并对车位检测结果进行测评。
95.需要说明的是，上述基于车位测评系统300的检测数据采集单元310、点云地图生成单元320、聚类单元330和测评单元340的运行可以参照上文阐述的一种激光雷达的车位测评方法的内容阐述，在此不再赘述。
96.本技术还提供一种电子设备，如附图4所示，该电子设备400包括：
97.存储器410，用于存储非暂时性计算机可读指令430；以及
98.处理器420，用于运行所述计算机可读指令420，使得所述计算机可读指令430被所述处理器420执行时实现上述所述的方法。
99.本技术还提供一种计算机可读存储介质，该计算机可读存储介质包括计算机指令，当所述计算机指令在设备上运行时，使得所述设备执行上述所述的方法。
100.需要说明的是，流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本技术的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本技术的实施例所属技术领域的技术人员所理解。
101.在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
102.应当理解，本技术的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
103.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
104.此外，在本技术各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以一部分采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
105.上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本技术的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本技术的限制，本领域的普通技术人员在本技术的范围内可以对上述实施例进行变化、修改、替换和变型。
106.以上，仅是本技术的较佳实施例而已，并非对本技术作任何形式上的限制，虽然本技术已以较佳实施例揭露如上，然而并非用以限定本技术,任何熟悉本专业的技术人员，在不脱离本技术技术方案范围内,当可利用上述揭示的技术内容做出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本技术技术方案内容，依据本技术的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本技术技术方案的范围内。

技术特征：
1.一种基于激光雷达的车位测评方法，其特征在于，基于激光雷达和反光模块实现，包括：在测试场景的车位角点上设置反光模块，运行车辆，采集激光雷达数据和车位检测数据，其中所述激光雷达安装在所述车辆上，所述车位检测数据基于车辆的摄像头获取；基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；基于预设的反光强度阈值，提取所述点云地图中反光模块的点云数据，并对所述反光模块的点云数据进行聚类获得聚类结果；将所述聚类结果通过加权平均得到车位角点位置数据；基于车位角点位置数据恢复车位信息，将所述车位信息与所述车位检测结果进行比较，并对车位检测结果进行测评。2.根据权利要求1所述的车位测评方法，其特征在于，在测试场景的车位角点上设置反光模块包括：在测试场景的车位角点上设置具有第一标识的反光模块标识车辆的车位角点；其中，第一标识为反光标识或预设结构标识。3.根据权利要求1所述的车位测评方法，其特征在于，所述激光雷达安装在所述车辆上包括：在车辆上不同方位安装单线激光雷达；和/或在车辆上不同方位安装多线激光雷达。4.根据权利要求1所述的车位测评方法，其特征在于，对所述反光模块的点云数据进行聚类获得聚类结果包括：对所述反光模块的点云数据按每一个类代表一个车位角点的方式进行聚类并获得聚类结果。5.根据权利要求1所述的车位测评方法，其特征在于，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图包括：基于激光雷达数据采集激光雷达点云数据，基于所述激光雷达点云数据创建测试场景的三维地图；将激光雷达的各帧点云数据进行拼接和定位，获取车辆在所述三维地图中的位置信息和姿态信息。6.根据权利要求5所述的车位测评方法，其特征在于，基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标包括：基于所述车位检测数据在所述三维地图中的位置信息和姿态信息，将当前时刻当前位置所述车位检测数据的车位坐标转换至测试场景的所述三维地图的全局坐标中。7.根据权利要求1所述的车位测评方法，其特征在于，对车位检测结果进行测评包括：基于车位检测结果测评车位角点的精度；基于车位检测结果测评有车位的角度。8.根据权利要求1所述的车位测评方法，其特征在于，在测试场景中运行车辆，采集激光雷达数据和车位检测数据还包括：
在测试场景中采集车载的编码器数据、惯性测量单元imu数据和定位导航系统数据。9.根据权利要求8所述的车位测评方法，其特征在于，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图还包括：基于激光slam算法通过激光雷达数据、车载的编码器数据、惯性测量单元imu数据和定位导航系统数据进行测试场景的三维重建，获取定位数据和点云地图。10.一种基于激光雷达的车位测评系统，其特征在于，基于激光雷达和反光模块实现，包括：检测数据采集单元，用于在测试场景的车位角点上设置反光模块，运行车辆，采集激光雷达数据和车位检测数据，其中所述激光雷达安装在所述车辆上，所述车位检测数据基于摄像头获取；点云地图生成单元，基于所述激光雷达数据采用激光slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于激光slam算法的位姿信息，将所述车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；聚类单元，基于预设的反光强度阈值，提取所述点云地图中反光模块的点云数据，并对所述反光模块的点云数据进行聚类获得聚类结果；将所述聚类结果通过加权平均得到车位角点位置数据；测评单元，基于车位角点位置数据恢复车位信息，将所述车位信息与所述车位检测结果进行比较，并对车位检测结果进行测评。11.一种电子设备，其特征在于，包括：存储器，用于存储非暂时性计算机可读指令；以及处理器，用于运行所述计算机可读指令，使得所述计算机可读指令被所述处理器执行时实现如权利要求1至9中任一项所述的方法。12.一种计算机可读存储介质，其特征在于，包括计算机指令，当所述计算机指令在设备上运行时，使得所述设备执行如权利要求1至9中任一项所述的方法。

技术总结
一种基于激光雷达的车位测评方法、系统、设备及介质，基于激光雷达和反光模块实现，该方法包括：在测试场景的车位角点设置反光模块，采集激光雷达数据和车位检测数据；基于激光雷达数据采用slam算法进行测试场景的三维重建，获取定位数据和点云地图；基于slam算法的位姿，将车位检测数据的车位坐标转换至全局坐标，经计算得到车位检测结果；基于预设的反光强度阈值，提取点云地图中反光模块的点云数据，并对反光模块的点云数据聚类，对获得的聚类结果通过加权平均得到恢复车位信息的车位角点位置数据；将车位信息与车位检测结果进行比较，并对车位检测结果进行测评。本申请简化了现有激光雷达的车位测评，提升了测评精度。提升了测评精度。提升了测评精度。


技术研发人员：彭伟 刘洋 林超龙
受保护的技术使用者：合众新能源汽车股份有限公司
技术研发日：2023.01.30
技术公布日：2023/5/16