一种无人驾驶矿卡的相机外参自检方法、系统及无人驾驶矿卡与流程

1.本发明涉及相机参数自检领域，具体涉及一种无人驾驶矿卡的相机外参自检方法、系统及无人驾驶矿卡。


背景技术：

2.相机系统是无人驾驶矿卡(下文简称：矿卡)必备的子系统，前向相机通过特定的法兰连接车辆外棚，这是一种刚性连接，连接件之间通过螺栓进行固定,相机相对车辆的控制位置得到固定。矿卡作为特殊场景的特种车辆，其作业环境多数在坑洼山路，那么车辆颠簸无法避免。因此固定前向相机的螺栓避免不了出现松动的情况。一旦前向相机螺栓松动，前向相机的安装姿态就会发生变化，这将直接影响工程作业的安全性以及效率。因此，在矿卡使用前都需要进行检查，特别是确定固定前向相机的螺栓是否松动，相机俯仰、航向角是否发生变化。目前这一检查多由人工进行，但由于现场熟练操作工人少，矿卡车多，批量交替倒班的情况下，每天的例行检查可能会存在检查不严谨的情况，从而直接影响到影响工程作业的效率以及施工安全性。


技术实现要素：

3.为了克服上述现有技术中存在的缺陷，本发明的目的是提供一种无人驾驶矿卡的相机外参自检方法及系统。
4.为了实现本发明的上述目的，本发明提供了一种无人驾驶矿卡的相机外参自检方法，包括以下步骤：
5.使矿卡行驶或停留在一条道路上；
6.使矿卡上的相机拍摄道路图片，拟合得到该道路图片上道路的边界线，在该边界线上提取数个边界采样点，得到像素坐标系下各边界采样点的坐标，获取所述图片上道路的边界线的参数；
7.获取该道路的3d点云地图中道路对应的边界点云数据，将所述3d点云地图中的道路的边界点云转换到车身坐标系，将车身坐标系下的边界点进行边界线拟合，并在该拟合得到的边界线上提取数个内点作为车身坐标系下的边界内点，结合相机坐标系将车身坐标系下的边界内点投影到像素坐标系，得到边界内点投影点；将所述边界内点投影点拟合边界内点投影点所在的边界线，获取边界内点投影点所在的边界线的参数；
8.判断所述边界内点投影点所在边界线与像素坐标系下的道路的边界线是否对齐，即完成相机外参自检过程。
9.采用该无人驾驶矿卡的相机外参自检方法对矿卡的相机外参进行检测时不需要特殊的标定车间，只需要有边界清晰的直线道路，利用该道路的边界作为参照物进行判断相机外参是否发生变化即可。本方法在实施时采用地图数据投影图片的方式，在图片数据中进行判断，可实时运行，不耽误矿卡正常工作。
10.优选的，所述道路为直线道路或曲线道路，当所述道路为曲线道路时，该道路的曲率的绝对值不大于λ，λ为正数。
11.该无人驾驶矿卡的相机外参自检方法的一种优选方案：拟合道路图片上道路的边界线时，将图片上道路上的像素点进行二阶多项式模型拟合，得到道路图片上道路的边界线，在该边界线上获取内点作为边界采样点；
12.将车身坐标系下的边界点进行边界线拟合时，将车身坐标系下的边界点进行xoy平面二阶多项式模型拟合，并在该模型上根据既定阈值提取数个内点作为车身坐标系下的边界内点；
13.将所述边界内点投影点拟合边界内点投影点所在的边界线时，将边界内点投影点进行二阶多项式模型拟合，获取边界内点投影点所在的边界线的参数。
14.该优选方案不仅适用于直线道路边界线的拟合，还适用于曲线道路边界线的拟合。
15.该无人驾驶矿卡的相机外参自检方法的一种优选方案：根据以下公式将所述3d点云地图中的道路的边界点云转换到车身坐标系：
16.其中，p
l_car
代表的是车身坐标系下道路左边界点，p
r_car
代表的是车身坐标系下道路右边界点，p
l_map
代表的是3d点云地图中道路左边界点，p
r_map
代表3d点云地图中道路右边界点，和代表的是3d点云地图中的点云数据转向车身坐标系的旋转和平移矩阵。
17.该无人驾驶矿卡的相机外参自检方法的一种优选方案：将车身坐标系下的边界内点投影到像素坐标系，得到边界内点投影点的步骤为：
18.将车身坐标系下的左边界内点p
l_car
和右边界内点p
r_car
转换到相机坐标系，转换参数为参数为代表车身坐标系转换到相机坐标系的初始化转换参数，代表从车身坐标系转换到相机坐标系的平移参数，代表从车身坐标系转换到相机坐标系的旋转参数；
19.车身坐标系下的左边界内点p
l_car
和右边界内点p
r_car
投影到像素坐标系下的左边界内点投影点cp
l_car_inliner
和右边界内点投影点cp
r_car_inliner
的坐标变换公式为：k代表相机内参。
20.所述展开得到：
21.其中，(u,v)代表的是左边界内点或右边界内点投影到像素坐标系下的坐标，即左边界内点投影点坐标cp
l_car_inliner
或右边界内点投影点坐标cp
r_car_inliner
，(x，y，z，1)代表车身坐标系下的左边界内点或右边界内点的齐次坐标，f
x
和fy代表相机在像素坐标系上u轴和v轴方向上的尺度因子，c
x
、cy代表像素坐标系在相机坐标
系的x和y方向的零点偏移量。
22.该优选方案可快速准确的实现车身坐标系下的边界内点到像素坐标系的投影。
23.该无人驾驶矿卡的相机外参自检方法的一种优选方案：判断所述边界内点投影点与像素坐标系下的边界采样点是否对齐的步骤为：
24.根据边界采样点坐标、边界线的参数、边界内点投影点坐标以及边界内点投影点所在的边界线的参数计算损失函数；所述损失函数以计算边界内点投影点所在的边界线和图片上道路的边界线之间的损失值为目标；
25.当损失函数的值大于设定阈值时，边界内点投影点与像素坐标系下的边界采样点不对齐，相机外参不正常；
26.当损失函数的值不大于设定阈值时，边界内点投影点与像素坐标系下的边界采样点对齐，相机外参正常。
27.该无人驾驶矿卡的相机外参自检方法的一种优选方案：所述损失函数为：
28.其中，k1,k2,k3作为正则化参数，n为边界采样点对数，一个左边界采样点和一个右边界采样点为一对，m为边界内点投影点对数，一个左边界内点投影点和一个右边界内点投影点为一对，cp
l_i
[1]表示道路图片上左边界采样点cp
l
_i的横向坐标u的值，cp
r_i
[1]表示道路图片上右边界采样点cp
r_i
的横向坐标u的值，cp
l_car_inliner_j
[1]表示左边界内点投影点cp
l_car_inliner_j
的横向坐标u的值，cp
r_car_inliner_j
[1]表示右边界内点投影点cp
r_car_inliner_j
的横向坐标u的值；a
l
、b
l
、c
l
为道路图片上左边界线的参数，ar、br、cr为道路图片上右边界线的参数，a
l_map
、b
l_map
、c
l_map
为左边界内点投影点所在的边界线的参数，a
r_map
、b
r_map
、c
r_map
为右边界内点投影点所在的边界线的参数。该优选方案减小的误差，提升了判断效果。
[0029]
本技术还提供了一种无人驾驶矿卡的相机外参自检系统，包括处理器、存储器以及设置于矿卡上的相机，所述存储器、相机分别与处理器通信连接，所述相机拍摄直线道路图片，并将所述直线道路图片发送至处理器，所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器根据所述直线道路图片执行如上述的无人驾驶矿卡的相机外参自检方法对应的操作。该无人驾驶矿卡的相机外参自检系统具备上述无人驾驶矿卡的相机外参自检方法的所有优点。
[0030]
本技术还提供了一种无人驾驶矿卡，包括矿卡本体，所述矿卡本体上设置有如上述的无人驾驶矿卡的相机外参自检系统。
[0031]
本发明的有益效果是：本发明的实施不需要特殊的标定车间，只需要有边界清晰的直线道路，利用该道路的边界作为参照物进行判断相机外参是否发生变化即可；减小了人工检测相机外参的工作量，提高了矿卡的工作效率。
[0032]
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0033]
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0034]
图1是无人驾驶矿卡的相机外参自检方法的流程示意图。
具体实施方式
[0035]
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0036]
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0037]
实施例一
[0038]
如图1所示，本技术提供了一种无人驾驶矿卡的相机外参自检方法的实施例，该实施例中，所需道路为直线道路，该道路优选但不限于为10-20米。
[0039]
该无人驾驶矿卡的相机外参自检方法的具体步骤如下：
[0040]
使矿卡行驶或停留在一条直线道路上，这条直线道路的边界清晰。
[0041]
初始化相机外参，使矿卡上的相机拍摄道路图片，然后拟合得到该道路图片上道路的边界线，在边界线上提取数个边界采样点，得到像素坐标系下各边界采样点的坐标，获取所述图片上道路的边界线的参数。道路的边界线可以是清晰的车道线，或者清晰的道路边界，亦或者边界护栏。
[0042]
本实施例中默认拟合得到道路图片上道路的左、右两条边界线，该道路的边界线公式为其中，a
l
、b
l
、c
l
为道路的左边界线的参数，ar、br、cr为道路的右边界线的参数，这里所涉及的拟合方法采用现有的直线拟合方法即可。提取的边界采样点分为左边界采样点cp
l
_i和右边界采样点cpr_i，其中，i＝1...n，n为边界采样点对数，一个左边界采样点和一个右边界采样点为一对。
[0043]
获取该道路的3d点云地图中道路对应的边界点云数据。这里的3d点云地图可以是通过矿卡的传感器或者其他地图采集设备采集建立得到，为现有技术，此处不再赘述。将3d点云地图中的道路的边界点云转换到车身坐标系，然后将车身坐标系下道路的边界点进行边界线拟合，这里所涉及的拟合方法采用现有的直线拟合方法即可，并在该拟合得到的边界线上提提取数个点作为车身坐标系下的边界内点，结合相机坐标系将车身坐标系下的边界内点投影到像素坐标系，得到边界内点投影点，将所述边界内点投影点拟合边界内点投影点所在的边界线，获取边界内点投影点所在的边界线的参数。这里的车身坐标系、相机坐标系在无人驾驶系统确定需求的时候就已经确定了，在开发和运营等环节车身坐标系、相机坐标系保持固定不变。
[0044]
本实施例中，默认地也是对3d点云地图中的道路的左、右边界点进地以上操作。
[0045]
具体地，本实施例中根据以下公式将3d点云地图中的道路的边界点云转换到车身
坐标系：
[0046]
其中，p
l_car
代表的是车身坐标系下道路左边界点，p
r_car
代表的是车身坐标系下道路右边界点，p
l_map
代表的是3d点云地图中道路左边界点，p
r_map
代表3d点云地图中道路右边界点，p
l_map
和p
r_map
两者皆由道路的3d点云地图及道路边界点云数据可直接得知，和代表的是3d点云地图中的点云数据转向车身坐标系的旋转和平移矩阵，为已知量。
[0047]
随后将车身坐标系下道路左边界点p
l_car
和车身坐标系下道路右边界点p
r_car
进行拟合，拟合阈值优选但不限于为2-3厘米，得到拟合的道路的左边界线、右边界线，分别在左边界线、右边界线上提取数个点作为车身坐标系下的左边界内点
l
p
l_car_inlier_j
和右边界内点
l
p
r_car_inliner_j
，其中，j＝1
…
m，m为边界内点对数，一个左边界内点和一个右边界内点为一对。
[0048]
本实施例中车身坐标系采用imu坐标系系统，即采用前左天坐标系，因此，根据以下步骤将车身坐标系下的边界内点投影到像素坐标系，得到边界内点投影点：
[0049]
将车身坐标系下的左边界内点p
l_car
和右边界内点p
r_car
转换到相机坐标系，转换参数为参数为代表车身坐标系转换到相机坐标系的初始化转换参数，代表从车身坐标系转换到相机坐标系的平移参数，代表从车身坐标系转换到相机坐标系的旋转参数；和均为已知初始值。
[0050]
车身坐标系下的左边界内点p
l_car
和右边界内点p
r_car
投影到像素坐标系下的左边界内点投影点cp
l_car_inliner
和右边界内点投影点cp
r_car_inliner
的坐标变换公式为：k代表相机内参。
[0051]
将展开得到：
[0052]
其中，(u,v)代表的是左边界内点或右边界内点投影到像素坐标系下的坐标，即左边界内点投影点坐标cp
l_car_inliner
或右边界内点投影点坐标cp
r_car_inliner
，(x，y，z，1)代表车身坐标系下的左边界内点或右边界内点的齐次坐标，f
x
和fy代表相机在像素坐标系上u轴和v轴方向上的尺度因子，为已知的初始值，c
x
、cy代表像素坐标系在相机坐标系的x和y方向的零点偏移量，零点偏移量指的是(u，v)和(x，y)的零点的相差，也就是像素坐标系和相机坐标系的原点坐标的相差的量，为已知的初始值。
[0053]
将边界内点投影点拟合边界内点投影点所在的边界线，这里采用现有的直线拟合方法即可，获取边界内点投影点所在的边界线的参数：左边界内点投影点所在边界线的参数a
l_map
、b
l_map
、c
l_map
和右边界内点投影点所在边界线的参数a
r_map
、b
r_map
、c
r_map
。
[0054]
最后判断所述边界内点投影点与像素坐标系下的边界采样点是否对齐，如对齐，则相机外参正常，如不对齐，则相机外参不正常。
[0055]
本实施例中，判断所述边界内点投影点与相机标准外参下道路边界线在像素坐标系上的边界采样点是否对齐的步骤为：
[0056]
根据边界采样点坐标、边界线的参数、边界内点投影点坐标以及边界内点投影点所在的边界线的参数计算损失函数。
[0057]
损失函数以计算边界内点投影点所在的边界线和图片上道路的边界线之间的损失值为目标。当损失函数的值大于设定阈值时，相机外参不正常；当损失函数的值不大于设定阈值时，相机外参正常。
[0058]
本实施例中损失函数具体为：
[0059]
其中，k1,k2,k3作为正则化参数,n为边界采样点对数，一个左边界采样点和一个右边界采样点为一对，m为边界内点投影点对数，一个左边界内点投影点和一个右边界内点投影点为一对，cp
l_i
[1]表示左边界采样点cp
l
_i的横向坐标u的值，cp
r_i
[1]表示右边界采样点cp
r_i
的横向坐标u的值，cp
l_car_inliner_j
[1]表示左边界内点投影点cp
l_car_inliner_j
的横向坐标u的值，cp
r_car_inliner_j
[1]表示右边界内点投影点cp
r_car_inliner_j
的横向坐标u的值；a
l
、b
l
、c
l
为左边界线的参数，ar、br、cr为右边界线的参数，a
l_map
、b
l_map
、c
l_map
为左边界内点投影点所在的边界线的参数，a
r_map
、b
r_map
、c
r_map
为右边界内点投影点所在的边界线的参数。
[0060]
当regulariedcostfunction大于设定阈值时，相机外参不正常，当regulariedcostfunction不大于设定阈值时，相机外参正常，本实施例中，设定阈值优选但不限于为3。
[0061]
实施例二
[0062]
如图1所示，本技术提供了另一种无人驾驶矿卡的相机外参自检方法的实施例，该实施例中，所需道路为曲线道路，该道路优选但不限于为10-20米，该道路的曲率的绝对值不大于λ，λ为正数，本实施例中，λ优选但不限于为0.02，即道路转变半径不大于50米。
[0063]
该无人驾驶矿卡的相机外参自检方法的具体步骤如下：
[0064]
使矿卡行驶或停留在上述曲线道路上；
[0065]
初始化相机外参，使矿卡上的相机拍摄道路图片，拟合得到该道路图片上道路的边界线，在该边界线上提取数个边界采样点，得到像素坐标系下各边界采样点的坐标，获取所述图片上道路的边界线的参数。
[0066]
这里优选但不限于采用ransac算法拟合二阶多项式模型，默认拟合得到道路图片上道路的左、右两条边界线，得到道路图片上道路的边界线其中，a
l
、b
l
、c
l
为道路的左边界线的参数，ar、br、cr为道路的右边界线的参数，提取的边界采样点分为左边界采样点cp
l
_i和右边界采样点cpr_i，其中，i＝1...n，n为边界采样点对数，一个左边界采样点和一个右边界采样点为一对。
[0067]
获取该道路的3d点云地图中道路对应的边界点云数据，将所述3d点云地图中的道路的边界点云转换到车身坐标系，将车身坐标系下的边界点进行边界线拟合，并在该拟合得到的边界线上提取数个内点作为车身坐标系下的边界内点，结合相机坐标系将车身坐标系下的边界内点投影到像素坐标系，得到边界内点投影点，将所述边界内点投影点拟合边界内点投影点所在的边界线，获取边界内点投影点所在的边界线的参数。这里的车身坐标系、相机坐标系在无人驾驶系统确定需求的时候就已经确定了，在开发和运营等环节车身坐标系、相机坐标系保持固定不变。
[0068]
本实施例中，默认地也是对3d点云地图中的道路的左、右边界点进行以上操作，其具体步骤与实施例一中基本一样，区别点在于：
[0069]
将车身坐标系下道路左边界点p
l_car
和车身坐标系下道路右边界点p
r_car
进行边界线拟合时，是将车身坐标系下道路左边界点p
l_car
和车身坐标系下道路右边界点p
r_car
分别进行曲线拟合，本实施例中优选但不限于是进行xoy平面二阶多项式模型拟合，并在该模型上根据既定阈值提取数个内点作为车身坐标系下的左边界内点
l
p
l_car_inlier_j
和右边界内点
l
p
r_car_inliner_j
，其中，j＝1
…
m，m为边界内点对数，一个左边界内点和一个右边界内点为一对。
[0070]
在将边界内点投影点拟合边界内点投影点所在的边界线，获取边界内点投影点所在的边界线的参数时，需采用曲线拟合的方式，本实施例中优选但不限于采用将边界内点投影点拟合二阶多项式模型，获取边界内点投影点的模型参数。
[0071]
再采用与实施例一中相同的步骤判断边界内点投影点所在边界线与像素坐标系下的道路的边界线是否对齐，即完成相机外参自检过程。
[0072]
实施例三
[0073]
本技术还提供了一种无人驾驶矿卡的相机外参自检系统的实施例。该实施例中，无人驾驶矿卡的相机外参自检系统包括处理器、存储器以及设置于矿卡上的相机，所述存储器、相机分别与处理器通信连接，所述相机拍摄直线道路图片，并将所述直线道路图片发送至处理器，所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器根据所述直线道路图片执行如上述的无人驾驶矿卡的相机外参自检方法对应的操作。
[0074]
实施例四
[0075]
本技术还提供了无人驾驶矿卡，其包括矿卡本体，在矿卡本体上设置有如上述的无人驾驶矿卡的相机外参自检系统，该无人驾驶矿卡可实现相机外参的自检。
[0076]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0077]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

技术特征：
1.一种无人驾驶矿卡的相机外参自检方法，其特征在于，包括以下步骤：使矿卡行驶或停留在一条道路上；使矿卡上的相机拍摄道路图片，拟合得到该道路图片上道路的边界线，在该边界线上提取数个边界采样点，得到像素坐标系下各边界采样点的坐标，获取所述图片上道路的边界线的参数；获取该道路的3d点云地图中道路对应的边界点云数据，将所述3d点云地图中的道路的边界点云转换到车身坐标系，将车身坐标系下的边界点进行边界线拟合，并在该拟合得到的边界线上提取数个内点作为车身坐标系下的边界内点，结合相机坐标系将车身坐标系下的边界内点投影到像素坐标系，得到边界内点投影点；将所述边界内点投影点拟合边界内点投影点所在的边界线，获取边界内点投影点所在的边界线的参数；判断所述边界内点投影点所在边界线与像素坐标系下的道路的边界线是否对齐，即完成相机外参自检过程。2.根据权利要求1所述的无人驾驶矿卡的相机外参自检方法，其特征在于，所述道路为直线道路或曲线道路，当所述道路为曲线道路时，该道路的曲率的绝对值不大于λ，λ为正数。3.根据权利要求1所述的无人驾驶矿卡的相机外参自检方法，其特征在于，拟合道路图片上道路的边界线时，将图片上道路上的像素点进行二阶多项式模型拟合，得到道路图片上道路的边界线，在该边界线上获取内点作为边界采样点；将车身坐标系下的边界点进行边界线拟合时，将车身坐标系下的边界点进行xoy平面二阶多项式模型拟合，并在该模型上根据既定阈值提取数个内点作为车身坐标系下的边界内点；将所述边界内点投影点拟合边界内点投影点所在的边界线时，将边界内点投影点进行二阶多项式模型拟合，获取边界内点投影点所在的边界线的参数。4.根据权利要求1所述的无人驾驶矿卡的相机外参自检方法，其特征在于，根据以下公式将所述3d点云地图中的道路的边界点云转换到车身坐标系：其中，p
l_car
代表的是车身坐标系下道路左边界点，p
r_car
代表的是车身坐标系下道路右边界点，p
l_map
代表的是3d点云地图中道路左边界点，p
r_map
代表3d点云地图中道路右边界点，和代表的是3d点云地图中的点云数据转向车身坐标系的旋转和平移矩阵。5.根据权利要求1所述的无人驾驶矿卡的相机外参自检方法，其特征在于，将车身坐标系下的边界内点投影到像素坐标系，得到边界内点投影点的步骤为：将车身坐标系下的左边界内点p
l_car
和右边界内点p
r_car
转换到相机坐标系，转换参数为转换到相机坐标系，转换参数为代表车身坐标系转换到相机坐标系的初始化转换参数，代表从车身坐标系转换到相机坐标系的平移参数，代表从车身坐标系转换到相机坐标系的旋转参数；车身坐标系下的左边界内点p
l_car
和右边界内点p
r_car
投影到像素坐标系下的左边界内点投影点
c
p
l_car_inliner
和右边界内点投影点
c
p
r_car_inliner
的坐标变换公式为：
k代表相机内参。6.根据权利要求5所述的无人驾驶矿卡的相机外参自检方法，其特征在于，所述展开得到：其中，(u,v)代表的是左边界内点或右边界内点投影到像素坐标系下的坐标，即左边界内点投影点坐标
c
p
l_car_inliner
或右边界内点投影点坐标
c
p
r_car_inliner
，(x，y，z，1)代表车身坐标系下的左边界内点或右边界内点的齐次坐标，f
x
和f
y
代表相机在像素坐标系上u轴和v轴方向上的尺度因子，c
x
、c
y
代表像素坐标系在相机坐标系的x和y方向的零点偏移量。7.根据权利要求1所述的无人驾驶矿卡的相机外参自检方法，其特征在于，判断所述边界内点投影点与像素坐标系下的边界采样点是否对齐的步骤为：根据边界采样点坐标、边界线的参数、边界内点投影点坐标以及边界内点投影点所在的边界线的参数计算损失函数；所述损失函数以计算边界内点投影点所在的边界线和图片上道路的边界线之间的损失值为目标；当损失函数的值大于设定阈值时，边界内点投影点与像素坐标系下的边界采样点不对齐，相机外参不正常；当损失函数的值不大于设定阈值时，边界内点投影点与像素坐标系下的边界采样点对齐，相机外参正常。8.根据权利要求7所述的无人驾驶矿卡的相机外参自检方法，其特征在于，所述损失函数为：其中，k1,k2,k3作为正则化参数，n为边界采样点对数，一个左边界采样点和一个右边界采样点为一对，m为边界内点投影点对数，一个左边界内点投影点和一个右边界内点投影点为一对，
c
p
l_i
[1]表示道路图片上左边界采样点
c
p
l
_
i
的横向坐标u的值，
c
p
r_i
[1]表示道路图片上右边界采样点
c
p
r_i
的横向坐标u的值，
c
p
l_car_inliner_j
[1]表示左边界内点投影点
c
p
l_car_inliner_j
的横向坐标u的值，
c
p
r_car_inliner_j
[1]表示右边界内点投影点
c
p
r_car_inliner_j
的横向坐标u的值；a
l
、b
l
、c
l
为道路图片上左边界线的参数，a
r
、b
r
、c
r
为道路图片上右边界线的参数，a
l_map
、b
l_map
、c
l_map
为左边界内点投影点所在的边界线的参数，a
r_map
、b
r_map
、c
r_map
为右边界内点投影点所在的边界线的参数。9.一种无人驾驶矿卡的相机外参自检系统，其特征在于，包括处理器、存储器以及设置于矿卡上的相机，所述存储器、相机分别与处理器通信连接，所述相机拍摄道路图片，并将
所述道路图片发送至处理器，所述存储器用于存放至少一个可执行指令，所述可执行指令使所述处理器根据所述道路图片执行如权利要求1-8任一项所述的无人驾驶矿卡的相机外参自检方法对应的操作。10.一种无人驾驶矿卡，其特征在于，包括矿卡本体，所述矿卡本体上设置有如权利要求9所述的无人驾驶矿卡的相机外参自检系统。

技术总结
本发明提出了一种无人驾驶矿卡的相机外参自检方法、系统及无人驾驶矿卡，该方法为：使矿卡上的相机拍摄道路图片，拟合得到该道路图片上道路的边界线，在该边界线上提取数个边界采样点，获取道路的边界线的参数；获取该道路的3D点云地图中道路对应的边界点云数据，将其转换到车身坐标系，将车身坐标系下的边界点进行边界线拟合，并提取数个内点作为车身坐标系下的边界内点，将边界内点投影到像素坐标系，得到边界内点投影点；将边界内点投影点拟合边界内点投影点所在的边界线，获取边界内点投影点所在的边界线的参数；判断边界内点投影点所在边界线与道路的边界线是否对齐，完成相机外参自检过程。本方法可实时运行，不耽误矿卡正常工作。常工作。常工作。


技术研发人员：陈洋
受保护的技术使用者：新驱动重庆智能汽车有限公司
技术研发日：2023.05.04
技术公布日：2023/8/13