CN109375228B - 激光雷达的异常帧点云数据的确定方法、处理方法及装置 - Google Patents

Abstract

本发明公开了一种激光雷达的异常帧点云数据的确定方法、处理方法及装置，其中，该确定方法包括：获取激光雷达测量得到的待测点云数据、待测点云数据之前的预设帧数点云数据和待测点云数据之后的预设帧数点云数据，其中，一帧点云数据是由激光雷达按照扫描角度范围完成一个周期的扫描得到的；确定待测点云数据和待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，以及，待测点云数据和待测点云数据之后的预设帧数点云数据的平均值之间的第二距离；将第一距离和第二距离分别与预设距离阈值进行比较，得到比较结果；在比较结果为第一距离和第二距离均大于预设距离阈值的情况下，确定待测点云数据为异常帧点云数据。

Description

激光雷达的异常帧点云数据的确定方法、处理方法及装置

技术领域

本发明涉及激光雷达数据处理技术领域，更具体地，涉及一种激光雷达的异常帧点云数据的确定方法、一种激光雷达的异常帧点云数据的处理方法、一种激光雷达的异常帧点云数据的确定装置以及一种激光雷达的异常帧点云数据的处理装置。

背景技术

现在激光雷达的发展已经渗透到各行各业中，例如像扫地机器人和自动驾驶以及其他技术领域。

激光雷达工作时，由于场景中的物体会对目标物体反射回来的信号产生干扰，或者，某一时刻激光雷达系统出现异常时，导致激光雷达测量得到的数据为异常数据。

对于应用场景对激光雷达测量得到的精度的要求比较高时，例如，自动驾驶等涉及安全问题的应用场景，激光雷达测量得到的异常数据的判断显得尤为重要。关于激光雷达测量得到的异常数据的判断，目前现有技术没有提供可靠有效的方法，因此，需要提供一种新的技术方案，以解决上述技术问题。

发明内容

本发明的一个目的是提供一种用于确定激光雷达的异常帧点云数据的新技术方案。

根据本发明的第一方面，提供了一种激光雷达的异常帧点云数据的确定方法，包括：

获取激光雷达测量得到的待测点云数据、所述待测点云数据之前的预设帧数点云数据和所述待测点云数据之后的预设帧数点云数据，其中，

一帧点云数据是由所述激光雷达按照扫描角度范围完成一个周期的扫描得到的；

确定所述待测点云数据和所述待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，以及，所述待测点云数据和所述待测点云数据之后的预设帧数点云数据的平均值之间的第二距离；

将所述第一距离和所述第二距离分别与预设距离阈值进行比较，得到比较结果；

在所述比较结果为所述第一距离和所述第二距离均大于所述预设距离阈值的情况下，确定所述待测点云数据为异常帧点云数据。

可选地，所述一帧点云数据中各数据是所述激光雷达在对应的扫描角度下测量得到的与障碍物的距离，

在确定所述第一距离和所述第二距离之前，所述方法还包括：

利用所述激光雷达的扫描角分辨率，将所述一帧点云数据中各数据转化为直角坐标系中的坐标数据。

可选地，所述待测点云数据之前的预设帧数点云数据的平均值和所述待测点云数据之后的预设帧数点云数据的平均值均按照以下步骤确定：

对预设帧数点云数据中同一扫描角度对应的直角坐标系的x轴坐标数据进行平均值计算，得到各扫描角度对应的x轴坐标数据平均值；

对预设帧数点云数据中同一扫描角度对应的直角坐标系的y轴坐标数据进行平均值计算，得到各扫描角度对应的y轴坐标数据平均值；

将所述各扫描角度对应的x轴坐标数据平均值和所述各扫描角度对应的y轴坐标数据平均值作为对应的预设帧数点云数据的平均值。

可选地，所述确定所述待测点云数据和所述待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，包括：

对所述待测点云数据和所述待测点云数据之前的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离；

根据所述各扫描角度对应的多个距离和所述一帧点云数据中的数据个数，确定所述待测点云数据和所述待测点云数据之前的预设点云数据的平均值之间的第一距离；以及，

所述确定所述待测点云数据和所述待测点云数据之后的预设帧数点云数据的平均值之间的第二距离包括：

对所述待测点云数据和所述待测点云数据之后的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离；

根据所述各扫描角度对应的多个距离和所述一帧点云数据中的数据个数，确定所述待测点云数据和所述待测点云数据之前的预设点云数据的平均值之间的第二距离。

可选地，所述预设距离阈值按照以下步骤确定：

将包括有已知数量异常帧点云数据的第一样本输入至训练模型，其中，所述训练模型设置有初始预设距离阈值；

利用所述训练模型对所述第一样本进行处理，输出所述第一样本中的异常帧点云数据，并得到输出的异常帧点云数据的数量；

根据所述第一样本中异常帧点云数据的实际数量和所述输出的异常帧点云数据的数量，确定所述第一样本的异常帧点云数据的漏检率；

在所述第一样本的异常帧点云数据的漏检率超过预设漏检率时，对所述初始预设距离阈值进行优化处理，直至异常帧点云数据的漏检率小于或者等于所述预设漏检率。

可选地，对所述初始预设距离阈值进行优化处理，包括：

对于所述训练模型输出的第一样本的各异常帧点云数据，确定每一个异常帧点云数据与所述每一个异常帧点云数据之前和之后的预设帧数点云数据的平均值之间的第三距离；

计算得到所述输出的各异常帧点云数据对应的第三距离的平均值；

利用所述初始预设距离阈值、所述预设距离阈值训练模型的学习率和所述输出的各异常帧点云数据对应的第三距离的平均值，对所述初始预设距离阈值进行迭代处理，得到迭代后的预设距离阈值；

将迭代后的预设距离阈值输入至所述训练模型；

将包括有已知数量的异常帧点云数据的第二样本输入至所述训练模型；

利用所述训练模型对所述第二样本进行处理，输出所述第二样本中的异常帧点云数据，并得到输出的异常帧点云数据的数量；

确定所述第二样本的异常帧点云数据的漏检率；

在所述第二样本的异常帧点云数据的漏检率超过所述预设漏检率时，继续执行上述循环步骤，直至异常帧点云数据的漏检率小于或者等于所述预设漏检率。

根据本发明的第二方面，提供了一种激光雷达的异常帧点云数据的处理方法，包括：

利用如第一方面中任一所述的方法，确定待测点云数据是否是异常帧点云数据；

在所述待测点云数据是异常帧点云数据的情况下，将所述待测点云数据相邻的点云数据替换所述待测点云数据。

根据本发明的第三方面，提供了一种激光雷达的异常帧点云数据的确定装置，包括：

获取模块，用于获取激光雷达测量得到的待测点云数据、所述待测点云数据之前的预设帧数点云数据和所述待测点云数据之后的预设帧数点云数据，其中，

一帧点云数据是由所述激光雷达按照扫描角度范围完成一次扫描得到的；

第一距离确定模块，用于确定所述待测点云数据和所述待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，以及，所述待测点云数据和所述待测点云数据之后的预设帧数点云数据的平均值之间的第二距离；

比较模块，用于将所述第一距离和所述第二距离分别与预设距离阈值进行比较，得到比较结果；

异常帧点云数据确定模块，用于在所述比较结果为所述第一距离和所述第二距离均大于所述预设距离阈值的情况下，确定所述待测点云数据为异常帧点云数据。

根据本发明的第四方面，提供了一种激光雷达的异常帧点云数据的确定装置，包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据第一方面中任一项所述的方法。

根据本发明的第五方面，一种激光雷达的异常帧点云数据的处理装置，包括：

异常帧点云数据确定模块，用于利用如第一方面中任一所述的方法，确定待测点云数据是否是异常帧点云数据；

替换模块，用于在所述待测点云数据是异常帧点云数据的情况下，将所述待测点云数据相邻的点云数据替换所述待测点云数据。

根据本发明的第六方面，提供了一种激光雷达的异常帧点云数据的处理装置，包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据第二方面所述的方法。

本发明的一个实施例的有益效果在于，提高了激光雷达异常帧点云数据的确定的准确性。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例，并且连同其说明一起用于解释本发明的原理。

图1是根据本发明一个实施例的激光雷达的异常帧点云数据的确定方法的处理流程图。

图2是根据本发明一个实施例的一帧点云数据中各数据为直角坐标系中的坐标数据的示意图。

图3是根据本发明一个实施例的激光雷达的异常帧点云数据的处理方法的处理流程图。

图4是根据本发明一个实施例的激光雷达的异常帧点云数据的确定装置的示意性原理框图。

图5是根据本发明一个实施例的激光雷达的异常帧点云数据的确定装置的硬件结构框图。

图6是根据本发明一个实施例的激光雷达的异常帧点云数据的处理装置的示意性原理框图。

图7是根据本发明一个实施例的激光雷达的异常帧点云数据的处理装置的硬件结构框图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

本发明的一个实施例提供了一种激光雷达的异常帧点云数据的确定方法。

图1是根据本发明一个实施例的激光雷达的异常帧点云数据的确定方法的处理流程图。根据图1所示，该方法至少包括步骤S1100至步骤S1400。

步骤S1100，获取激光雷达测量得到的待测点云数据、待测点云数据之前的预设帧数点云数据和待测点云数据之后的预设帧数点云数据，其中，一帧点云数据是由激光雷达按照扫描角度范围完成一个周期的扫描得到的。

在本发明的一个实施例中，一帧点云数据中各数据是激光雷达在对应的扫描角度下测量得到的与障碍物的距离。本发明实施例中，在执行步骤S1200之前，利用激光雷达的扫描角分辨率，将一帧点云数据中各数据转化为直角坐标系中的坐标数据。

基于以下计算式(1)，将一帧点云数据中各数据转化为直角坐标系中的坐标数据。

其中，θ_i＝i×φ，i＝1，2,3…n，n为一帧点云数据所包括的数据的个数，φ为激光雷达的扫描角分辨率(在一个周期的扫描中相邻两次扫描的角度间隔)，k为点云数据的帧数，

为第k帧点云数据中扫描角度为i×φ时激光雷达测量得到的与障碍物的距离，

为将第k帧点云数据中扫描角度为i×φ时激光雷达测量得到的与障碍物的距离转化为直角坐标系中的坐标数据。

图2是根据本发明一个实施例的一帧点云数据中各数据为直角坐标系中的坐标数据的示意图。图2示出的每一个点代表一帧点云数据中的一个数据。每一个点在图2示出的坐标系中的坐标值代表该帧点云数据中，激光雷达在对应的扫描角度下测量得到的与障碍物的距离转化为直角坐标系中的坐标数据。

本发明实施例中，预设帧数点云数据的帧数可以根据实际测试情况而定。例如，预设帧数点云数据的帧数可以选取3-5中任一值。

步骤S1200，确定待测点云数据和待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，以及，待测点云数据和待测点云数据之后的预设帧数点云数据的平均值之间的第二距离。

本发明实施例中，待测点云数据之前的预设帧数点云数据的平均值和待测点云数据之后的预设帧数点云数据的平均值均可以按照以下步骤确定：

步骤S2100，对预设帧数点云数据中同一扫描角度对应的直角坐标系的x轴坐标数据进行平均值计算，得到各扫描角度对应的x轴坐标数据平均值。

步骤S2200，对预设帧数点云数据中同一扫描角度对应的直角坐标系的y轴坐标数据进行平均值计算，得到各扫描角度对应的y轴坐标数据平均值，并将各扫描角度对应的x轴坐标数据平均值和各扫描角度对应的y轴坐标数据平均值作为对应的预设帧数点云数据的平均值。

本发明实施例中，对待测点云数据和待测点云数据之前的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离，再根据各扫描角度对应的多个距离和一帧点云数据中的数据个数，确定待测点云数据和待测点云数据之前的预设点云数据的平均值之间的第一距离。以及，对待测点云数据和待测点云数据之后的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离，再根据各扫描角度对应的多个距离和一帧点云数据中的数据个数，确定待测点云数据和待测点云数据之前的预设点云数据的平均值之间的第二距离。

例如，将第k帧点云数据作为待测点云数据，获取第k帧点云数据之前的m帧点云数据(第k-1帧点云数据、第k-2帧点云数据、……、第k-m帧点云数据)，以及第k帧点云数据之后的m帧点云数据(第k+1帧点云数据、第k+2帧点云数据、……、第k+m帧点云数据)。m可以取3-5中任一值。

第k帧点云数据用

表示，其中，i＝1，2，3…n，

第k-m帧点云数据用

表示，其中，i＝1，2，3…n，

第k+m帧点云数据用

表示，其中，i＝1，2，3…n，

基于以下计算式(2)，得到第k帧点云数据之前的m帧点云数据中各扫描角度对应的x轴坐标数据平均值，

其中，

为第k-m帧点云数据中扫描角度为i×φ时，激光雷达测量得到的与障碍物的距离转化为直角坐标系中的x轴坐标数据，

为第k帧点云数据之前的m帧点云数据中扫描角度为i×φ时对应的x轴坐标数据平均值。

基于以下计算式(3)，得到k帧点云数据之前的m帧点云数据中各扫描角度对应的y轴坐标数据平均值。

其中，

为第k-m帧点云数据中扫描角度为i×φ时，激光雷达测量得到的与障碍物的距离转化为直角坐标系中的y轴坐标数据，

为第k帧点云数据之前的m帧点云数据中扫描角度为i×φ时对应的y轴坐标数据平均值。

基于以下计算式(4)，得到第k帧点云数据之后的m帧点云数据中各扫描角度对应的x轴坐标数据平均值，

其中，

为第k+m帧点云数据中扫描角度为i×φ时，激光雷达测量得到的与障碍物的距离转化为直角坐标系中的x轴坐标数据，

为第k帧点云数据之后的m帧点云数据中扫描角度为i×φ时对应的x轴坐标数据平均值。

基于以下计算式(5)，得到第k帧点云数据之前的m帧点云数据中各扫描角度对应的y轴坐标数据平均值。

其中，

为第k+m帧点云数据中扫描角度为i×φ时，激光雷达测量得到的与障碍物的距离转化为直角坐标系中的y轴坐标数据，

为第k帧点云数据之后的m帧点云数据中扫描角度为i×φ时对应的y轴坐标数据平均值。

基于以下计算式(6)，对第k帧点云数据和第k帧点云数据之前的m帧点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到该扫描角度对应的距离，

其中，d_i前为第k帧点云数据和第k帧点云数据之前的m帧点云数据的平均值中，扫描角度为i×φ时对应的距离值。

基于以下计算式(7)，对第k帧点云数据和第k帧点云数据之后的m帧点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到该扫描角度对应的距离，

其中，d_i后为第k帧点云数据和第k帧点云数据之后的m帧点云数据的平均值中，扫描角度为i×φ时对应的距离值。

基于以下计算式(8)，得到第一距离，

其中，d₁为第k帧点云数据和第k帧点云数据之前的预设点云数据的平均值之间的第一距离，n为一帧点云数据中的数据个数。

基于以下计算式(9)，得到第二距离，

其中，d₂为第k帧点云数据和第k帧点云数据之后的预设点云数据的平均值之间的第二距离，n为一帧点云数据中的数据个数。

步骤S1300，将第一距离和第二距离分别与预设距离阈值进行比较，得到比较结果。

在本发明的一个实施例中，预设距离阈值可以按照以下步骤确定：

步骤S3100，将包括有已知数量异常帧点云数据的第一样本输入至训练模型，其中，训练模型设置有初始预设距离阈值。

步骤S3200，利用训练模型对第一样本进行处理，输出第一样本中的异常帧点云数据，并得到输出的异常帧点云数据的数量。

步骤S3300，根据第一样本中异常帧点云数据的实际数量和输出的异常帧点云数据的数量，确定第一样本的异常帧点云数据的漏检率。

步骤S3400，在第一样本的异常帧点云数据的漏检率超过预设漏检率时，对初始预设距离阈值进行优化处理，直至异常帧点云数据的漏检率小于或者等于预设漏检率。

本发明实施例中，对初始预设距离阈值进行优化处理可以按照以下步骤执行：

步骤S4100，对于训练模型输出的第一样本的各异常帧点云数据，确定每一个异常帧点云数据与每一个异常帧点云数据之前和之后的预设帧数点云数据的平均值之间的第三距离。

本发明实施例中，每一个异常帧点云数据与每一个异常帧点云数据之前和之后的预设帧数点云数据的平均值之间的第三距离可以按照以下步骤确定：

步骤S4110，对每一个异常帧点云数据之前和之后的预设帧数点云数据中同一扫描角度对应的直角坐标系的x轴坐标数据进行平均值计算，得到各扫描角度对应的x轴坐标数据平均值。

基于以下计算式(10)，得到每一个异常帧点云数据之前和之后的预设帧数点云数据中同一扫描角度对应的x轴坐标数据进行平均值计算，得到各扫描角度对应的x轴坐标数据平均值，

其中，

为训练模型输出的第一样本中第j个异常帧点云数据之前h帧点云数据和之后h帧点云数据中，扫描角度为i×φ时对应的x轴坐标数据平均值，

为第j-h帧点云数据中扫描角度为i×φ时对应的x轴坐标数据，

为第j+h帧点云数据中扫描角度为i×φ时对应的x轴坐标数据。h的取值可以跟计算式(2)-(5)中的m取值相同，也可以不同。

步骤S4120，对每一个异常帧点云数据之前和之后的预设帧数点云数据中同一扫描角度对应的直角坐标系的y轴坐标数据进行平均值计算，得到各扫描角度对应的y轴坐标数据平均值，并将各扫描角度对应的x轴坐标数据平均值和各扫描角度对应的y轴坐标数据平均值作为对应的异常帧点云数据之前和之后的预设帧数点云数据的平均值。

基于以下计算式(11)，得到每一个异常帧点云数据之前和之后的预设帧数点云数据中同一扫描角度对应的y轴坐标数据进行平均值计算，得到各扫描角度对应的y轴坐标数据平均值，

其中，

为训练模型输出的第一样本中第j个异常帧点云数据之前h帧点云数据和之后h帧点云数据中，扫描角度为i×φ时对应的y轴坐标数据平均值，

为第j-h帧点云数据中扫描角度为i×φ时对应的y轴坐标数据，

为第j+h帧点云数据中扫描角度为i×φ时对应的y轴坐标数据。h的取值可以跟计算式(2)-(5)中的m取值相同，也可以不同。

将计算式(10)和计算式(11)得到的各扫描角度对应的x轴坐标数据平均值和各扫描角度对应的y轴坐标数据平均值作为第j个异常帧点云数据之前和之后的h帧点云数据的平均值。

步骤S4130，对每一个异常帧点云数据和其之前和之后的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离。

基于以下计算式(12)，对每一个异常帧点云数据之前预设帧数点云数据和之后预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到该扫描角度对应的距离，

其中，

为第j个异常帧点云数据与第j个异常帧点云数据之前h帧点云数据和之后h帧点云数据的平均值中，扫描角度为i×φ时对应的距离值。

步骤S4140，根据各扫描角度对应的多个距离和各异常帧点云数据中的数据个数，确定每一个异常帧点云数据与每一个异常帧点云数据之前和之后的预设帧数点云数据的平均值之间的第三距离。

基于以下计算式(13)，得到每一个异常帧点云数据与每一个异常帧点云数据之前和之后的预设帧数点云数据的平均值之间的第三距离，

其中，

为第j个异常帧点云数据和第j个异常帧点云数据之前和之后的h帧点云数据的平均值之间的第三距离，n为异常帧点云数据中的数据个数。

步骤S4200，计算得到输出的各异常帧点云数据对应的第三距离的平均值。

基于以下计算式(14)，得到训练模型输出的各异常帧点云数据对应的第三距离的平均值，

其中，

为训练模型输出的各异常帧点云数据对应的第三距离的平均值，j为训练模型输出的异常帧点云数据的个数。

步骤S4300，利用初始预设距离阈值、训练模型的学习率和输出的各异常帧点云数据对应的第三距离的平均值，对初始预设距离阈值进行迭代处理，得到迭代后的预设距离阈值。

基于以下计算式(15)，得到迭代后的预设距离阈值，

其中，d_初为初始预设距离阈值，γ为训练模型的学习率，d_迭为迭代后的预设距离阈值。

本发明实施例中，γ的取值可以为0.01-0.001中任一值。

步骤S4400，将迭代后的预设距离阈值输入至训练模型。

步骤S4500，将包括有已知数量的异常帧点云数据的第二样本输入至训练模型。

步骤S4600，利用训练模型对第二样本进行处理，输出第二样本中的异常帧点云数据，得到输出的异常帧点云数据的数量，并确定第二样本的异常帧点云数据的漏检率。

步骤S4700，在第二样本的异常帧点云数据的漏检率超过预设漏检率时，继续执行上述循环步骤，直至异常帧点云数据的漏检率小于或者等于预设漏检率。

本发明实施例中，将异常帧点云数据的漏检率小于或者等于预设漏检率时对应的预设距离阈值作为训练模型最终的预设距离阈值。

步骤S1400，在比较结果为第一距离和第二距离均大于预设距离阈值的情况下，确定待测点云数据为异常帧点云数据。

基于同一发明构思，本发明的一个实施例提供了一种激光雷达的异常帧点云数据的处理方法。

图3是根据本发明一个实施例的激光雷达的异常帧点云数据的处理方法的处理流程图。根据图3所示，该方法至少包括步骤S3100和步骤S3200。

步骤S3100，利用上述任一实施例提供的激光雷达的异常帧点云数据的处理方法，确定待测点云数据是否是异常帧点云数据。

步骤S3200，在待测点云数据是异常帧点云数据的情况下，将待测点云数据相邻的点云数据替换待测点云数据。

基于同一发明构思，本发明的一个实施例提供了一种激光雷达的异常帧点云数据的确定装置。根据图4所示，该激光雷达的异常帧点云数据的确定装置至少包括获取模块410、第一距离确定模块420、比较模块430和异常帧点云数据确定模块440。

获取模块410，用于获取激光雷达测量得到的待测点云数据、待测点云数据之前的预设帧数点云数据和待测点云数据之后的预设帧数点云数据，其中，一帧点云数据是由激光雷达按照扫描角度范围完成一次扫描得到的。

第一距离确定模块420，用于确定待测点云数据和待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，以及，待测点云数据和待测点云数据之后的预设帧数点云数据的平均值之间的第二距离。

比较模块430，用于将第一距离和第二距离分别与预设距离阈值进行比较，得到比较结果。

异常帧点云数据确定模块440，用于在比较结果为第一距离和第二距离均大于预设距离阈值的情况下，确定待测点云数据为异常帧点云数据。

在本发明的一个实施例中，一帧点云数据中各数据是激光雷达在对应的扫描角度下测量得到的与障碍物的距离时，该激光雷达的异常帧点云数据的处理装置还包括：转化模块，用于利用激光雷达的扫描角分辨率，将一帧点云数据中各数据转化为直角坐标系中的坐标数据。

在本发明的一个实施例中，第一距离确定模块420还用于：对预设帧数点云数据中同一扫描角度对应的直角坐标系的x轴坐标数据进行平均值计算，得到各扫描角度对应的x轴坐标数据平均值；对预设帧数点云数据中同一扫描角度对应的直角坐标系的y轴坐标数据进行平均值计算，得到各扫描角度对应的y轴坐标数据平均值；将各扫描角度对应的x轴坐标数据平均值和各扫描角度对应的y轴坐标数据平均值作为对应的预设帧数点云数据的平均值。

在本发明的一个实施例中，第一距离确定模块420还用于：对待测点云数据和待测点云数据之前的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离；根据各扫描角度对应的多个距离和一帧点云数据中的数据个数，确定待测点云数据和待测点云数据之前的预设点云数据的平均值之间的第一距离；以及，对待测点云数据和待测点云数据之后的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离；根据各扫描角度对应的多个距离和一帧点云数据中的数据个数，确定待测点云数据和待测点云数据之前的预设点云数据的平均值之间的第二距离。

图5是根据本发明一个实施例的激光雷达的异常帧点云数据的确定装置的硬件结构框图。

根据图5所示，激光雷达的异常帧点云数据的确定装置包括存储器510和处理器520。存储器510用于存储指令，该指令用于控制处理器520进行操作以执行根据本发明实施例的激光雷达的异常帧点云数据的确定方法，本领域技术人员可以根据本发明所公开的技术方案设计指令。指令是如何控制处理器进行操作，这是本领域的公知，故本发明实施例在此不再详细描述。

基于同一发明构思，本发明的一个实施例提供了一种激光雷达的异常帧点云数据的处理装置。根据图6所示，该激光雷达的异常帧点云数据的处理装置至少包括获取模块410、第一距离确定模块420、比较模块430和异常帧点云数据确定模块440、替换模块450。

图6示出的获取模块410、第一距离确定模块420、比较模块430和异常帧点云数据确定模块440与图4示出的对应模块均为同一模块，在此不做过多赘述。

本发明实施例中，替换模块450用于在待测点云数据是异常帧点云数据的情况下，将待测点云数据相邻的点云数据替换所述待测点云数据。

图7是根据本发明实施例的激光雷达的异常帧点云数据的处理装置的硬件结构示意图。

根据图7所示，激光雷达的异常帧点云数据的确定装置包括存储器710和处理器720。存储器710用于存储指令，该指令用于控制处理器720进行操作以执行根据本发明实施例的激光雷达的异常帧点云数据的处理方法，本领域技术人员可以根据本发明所公开的技术方案设计指令。指令是如何控制处理器进行操作，这是本领域的公知，故本发明实施例在此不再详细描述。

本发明可以是装置、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本发明的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本发明的各个方面。

这里参照根据本发明实施例的方法、装置(装置)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。

以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种激光雷达的异常帧点云数据的确定方法，其特征在于，包括：

获取激光雷达测量得到的待测点云数据、所述待测点云数据之前的预设帧数点云数据和所述待测点云数据之后的预设帧数点云数据，其中，

一帧点云数据是由所述激光雷达按照扫描角度范围完成一个周期的扫描得到的；

确定所述待测点云数据和所述待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，以及，所述待测点云数据和所述待测点云数据之后的预设帧数点云数据的平均值之间的第二距离；

将所述第一距离和所述第二距离分别与预设距离阈值进行比较，得到比较结果；

在所述比较结果为所述第一距离和所述第二距离均大于所述预设距离阈值的情况下，确定所述待测点云数据为异常帧点云数据，

其中，所述预设距离阈值按照以下步骤确定：

将包括有已知数量异常帧点云数据的第一样本输入至训练模型，其中，所述训练模型设置有初始预设距离阈值；

利用所述训练模型对所述第一样本进行处理，输出所述第一样本中的异常帧点云数据，并得到输出的异常帧点云数据的数量；

根据所述第一样本中异常帧点云数据的实际数量和所述输出的异常帧点云数据的数量，确定所述第一样本的异常帧点云数据的漏检率；

在所述第一样本的异常帧点云数据的漏检率超过预设漏检率时，对所述初始预设距离阈值进行优化处理，直至异常帧点云数据的漏检率小于或者等于所述预设漏检率。

2.根据权利要求1所述的方法，其特征在于，所述一帧点云数据中各数据是所述激光雷达在对应的扫描角度下测量得到的与障碍物的距离，

在确定所述第一距离和所述第二距离之前，所述方法还包括：

利用所述激光雷达的扫描角分辨率，将所述一帧点云数据中各数据转化为直角坐标系中的坐标数据。

3.根据权利要求1或2所述的方法，其特征在于，所述待测点云数据之前的预设帧数点云数据的平均值和所述待测点云数据之后的预设帧数点云数据的平均值均按照以下步骤确定：

对预设帧数点云数据中同一扫描角度对应的直角坐标系的x轴坐标数据进行平均值计算，得到各扫描角度对应的x轴坐标数据平均值；

对预设帧数点云数据中同一扫描角度对应的直角坐标系的y轴坐标数据进行平均值计算，得到各扫描角度对应的y轴坐标数据平均值；

将所述各扫描角度对应的x轴坐标数据平均值和所述各扫描角度对应的y轴坐标数据平均值作为对应的预设帧数点云数据的平均值。

4.根据权利要求3所述的方法，其特征在于，

所述确定所述待测点云数据和所述待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，包括：

对所述待测点云数据和所述待测点云数据之前的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离；

根据所述各扫描角度对应的多个距离和所述一帧点云数据中的数据个数，确定所述待测点云数据和所述待测点云数据之前的预设点云数据的平均值之间的第一距离；以及，

所述确定所述待测点云数据和所述待测点云数据之后的预设帧数点云数据的平均值之间的第二距离包括：

对所述待测点云数据和所述待测点云数据之后的预设帧数点云数据的平均值中，同一扫描角度对应的坐标数据进行距离计算，得到各扫描角度对应的多个距离；

根据所述各扫描角度对应的多个距离和所述一帧点云数据中的数据个数，确定所述待测点云数据和所述待测点云数据之前的预设点云数据的平均值之间的第二距离。

5.根据权利要求1所述的方法，其特征在于，对所述初始预设距离阈值进行优化处理，包括：

对于所述训练模型输出的第一样本的各异常帧点云数据，确定每一个异常帧点云数据与所述每一个异常帧点云数据之前和之后的预设帧数点云数据的平均值之间的第三距离；

计算得到所述输出的各异常帧点云数据对应的第三距离的平均值；

利用所述初始预设距离阈值、所述预设距离阈值训练模型的学习率和所述输出的各异常帧点云数据对应的第三距离的平均值，对所述初始预设距离阈值进行迭代处理，得到迭代后的预设距离阈值；

将迭代后的预设距离阈值输入至所述训练模型；

将包括有已知数量的异常帧点云数据的第二样本输入至所述训练模型；

利用所述训练模型对所述第二样本进行处理，输出所述第二样本中的异常帧点云数据，并得到输出的异常帧点云数据的数量；

确定所述第二样本的异常帧点云数据的漏检率；

在所述第二样本的异常帧点云数据的漏检率超过所述预设漏检率时，继续执行上述循环步骤，直至异常帧点云数据的漏检率小于或者等于所述预设漏检率。

6.一种激光雷达的异常帧点云数据的处理方法，其特征在于，包括：

利用如权利要求1-5中任一所述的方法，确定待测点云数据是否是异常帧点云数据；

在所述待测点云数据是异常帧点云数据的情况下，将所述待测点云数据相邻的点云数据替换所述待测点云数据。

7.一种激光雷达的异常帧点云数据的确定装置，其特征在于，包括：

获取模块，用于获取激光雷达测量得到的待测点云数据、所述待测点云数据之前的预设帧数点云数据和所述待测点云数据之后的预设帧数点云数据，其中，

一帧点云数据是由所述激光雷达按照扫描角度范围完成一次扫描得到的；

第一距离确定模块，用于确定所述待测点云数据和所述待测点云数据之前的预设帧数点云数据的平均值之间的第一距离，以及，所述待测点云数据和所述待测点云数据之后的预设帧数点云数据的平均值之间的第二距离；

比较模块，用于将所述第一距离和所述第二距离分别与预设距离阈值进行比较，得到比较结果；

异常帧点云数据确定模块，用于在所述比较结果为所述第一距离和所述第二距离均大于所述预设距离阈值的情况下，确定所述待测点云数据为异常帧点云数据，

其中，确定所述预设距离阈值包括：

将包括有已知数量异常帧点云数据的第一样本输入至训练模型，其中，所述训练模型设置有初始预设距离阈值；

利用所述训练模型对所述第一样本进行处理，输出所述第一样本中的异常帧点云数据，并得到输出的异常帧点云数据的数量；

根据所述第一样本中异常帧点云数据的实际数量和所述输出的异常帧点云数据的数量，确定所述第一样本的异常帧点云数据的漏检率；

在所述第一样本的异常帧点云数据的漏检率超过预设漏检率时，对所述初始预设距离阈值进行优化处理，直至异常帧点云数据的漏检率小于或者等于所述预设漏检率。

8.一种激光雷达的异常帧点云数据的确定装置，其特征在于，包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据权利要求1-5中任一项所述的方法。

9.一种激光雷达的异常帧点云数据的处理装置，其特征在于，包括：

异常帧点云数据确定模块，用于利用如权利要求1-5中任一所述的方法，确定待测点云数据是否是异常帧点云数据；

替换模块，用于在所述待测点云数据是异常帧点云数据的情况下，将所述待测点云数据相邻的点云数据替换所述待测点云数据。

10.一种激光雷达的异常帧点云数据的处理装置，其特征在于，包括存储器和处理器，所述存储器用于存储指令，所述指令用于控制所述处理器进行操作以执行根据权利要求6所述的方法。

Images