NuScenes-devkit中LiDAR与RADAR坐标系转换技术解析

引言

在自动驾驶领域，多传感器数据融合是一个关键技术挑战。NuScenes数据集作为自动驾驶研究的重要资源，提供了包括LiDAR、RADAR和摄像头在内的多种传感器数据。本文将深入探讨NuScenes-devkit中LiDAR与RADAR坐标系转换的技术细节，帮助开发者正确实现传感器数据间的坐标转换。

坐标系转换基础

在NuScenes数据集中，每个传感器都有自己的坐标系系统。为了实现多传感器数据融合，我们需要将数据从一个传感器坐标系转换到另一个传感器坐标系。这种转换通常涉及以下四个步骤：

1. 从源传感器坐标系到车辆坐标系
2. 从车辆坐标系到全局坐标系
3. 从全局坐标系到目标时间点的车辆坐标系
4. 从车辆坐标系到目标传感器坐标系

转换实现细节

在NuScenes-devkit中，坐标系转换可以通过transform_pc_from_sensor_a_to_sensor_b函数实现。该函数接收四个参数：NuScenes实例、待转换的点云、源传感器信息和目标传感器信息。

转换过程的核心代码如下：

def transform_pc_from_sensor_a_to_sensor_b(nusc, pc_to_transform, sensor_from, sensor_to):
    pc = copy.deepcopy(pc_to_transform)
    
    # 第一步：源传感器坐标系→车辆坐标系
    cs_record = nusc.get('calibrated_sensor', sensor_from['calibrated_sensor_token'])
    pc.rotate(Quaternion(cs_record['rotation']).rotation_matrix)
    pc.translate(np.array(cs_record['translation']))
    
    # 第二步：车辆坐标系→全局坐标系
    poserecord = nusc.get('ego_pose', sensor_from['ego_pose_token'])
    pc.rotate(Quaternion(poserecord['rotation']).rotation_matrix)
    pc.translate(np.array(poserecord['translation']))
    
    # 第三步：全局坐标系→目标时间点车辆坐标系
    poserecord = nusc.get('ego_pose', sensor_to['ego_pose_token'])
    pc.translate(-np.array(poserecord['translation']))
    pc.rotate(Quaternion(poserecord['rotation']).rotation_matrix.T)
    
    # 第四步：车辆坐标系→目标传感器坐标系
    cs_record = nusc.get('calibrated_sensor', sensor_to['calibrated_sensor_token'])
    pc.translate(-np.array(cs_record['translation']))
    pc.rotate(Quaternion(cs_record['rotation']).rotation_matrix.T)
    
    return pc

转换结果验证

为了验证转换结果的正确性，我们可以通过可视化手段进行检查。在XZ平面和YZ平面的可视化中，转换后的点云应该显示出与传感器物理位置相对应的变化。

例如，当将LiDAR点云转换到RADAR坐标系时，由于RADAR安装位置通常比LiDAR更低，地面点在Z轴上的坐标值会相对增大（即绝对值减小）。这是因为从RADAR的视角看，地面点的高度差比从LiDAR看要小。

常见误区与注意事项

1. 坐标系理解误区：许多开发者会误以为转换后的点云应该在视觉上"移动"到RADAR的位置。实际上，坐标系转换改变的是点的参考系，而不是点的绝对位置。

2. 可视化技巧：在验证转换结果时，建议使用XZ和YZ平面的二维投影图，这比三维可视化更容易发现转换中的问题。

3. 时间同步问题：在进行转换时，必须确保源传感器和目标传感器的数据时间戳相同或非常接近，否则会引入误差。

4. 点云深度值变化：转换后点云的Z值变化方向可能与直觉相反，这是因为Z轴通常是向下为正的传感器坐标系。

实际应用建议

1. 数据预处理：在进行多传感器融合前，务必确保所有数据都转换到同一坐标系下。

2. 性能优化：对于大规模点云数据，可以考虑使用矩阵运算批处理来提高转换效率。

3. 误差分析：建立转换验证机制，定期检查转换结果的合理性。

4. 坐标系选择：根据应用场景选择合适的参考坐标系，通常车辆坐标系是一个不错的选择。

结语

LiDAR与RADAR的坐标系转换是多传感器融合的基础工作。通过深入理解NuScenes-devkit中的转换机制，开发者可以更准确地实现传感器数据的对齐与融合，为后续的感知算法开发奠定坚实基础。本文介绍的方法和注意事项不仅适用于NuScenes数据集，其原理也可以推广到其他自动驾驶数据集的坐标系转换工作中。