CN113792566A - 一种激光点云的处理方法及相关设备 - Google Patents

一种激光点云的处理方法及相关设备 Download PDF

Info

Publication number
CN113792566A
CN113792566A CN202010449480.5A CN202010449480A CN113792566A CN 113792566 A CN113792566 A CN 113792566A CN 202010449480 A CN202010449480 A CN 202010449480A CN 113792566 A CN113792566 A CN 113792566A
Authority
CN
China
Prior art keywords
cluster
initial
laser
laser point
clusters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010449480.5A
Other languages
English (en)
Other versions
CN113792566B (zh
Inventor
李志刚
彭凤超
刘冰冰
杨臻
张维
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202010449480.5A priority Critical patent/CN113792566B/zh
Priority to PCT/CN2021/076816 priority patent/WO2021238306A1/zh
Publication of CN113792566A publication Critical patent/CN113792566A/zh
Application granted granted Critical
Publication of CN113792566B publication Critical patent/CN113792566B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种激光点云的处理方法及相关设备，可应用于自动驾驶领域中的激光感知领域，具体可应用在智能行驶的智能体(如智能汽车、智能网联汽车)上，该方法包括：对激光点云进行聚类(如通过DFS在OGM中对激光点云聚类)，得到粗分类的N个初始聚类簇，通过神经网络(如PointSeg、DeepSeg)对激光点云进行语义分割，得到各激光点的类别标签，针对每个初始聚类簇查询各激光点对应的类别标签，并根据查询到的类别标签情况对各初始聚类簇进行再处理(如再分割)，得到与目标物体对应的目标聚类簇。在本申请实施例中，通过将激光点云进行语义分割，结合传统聚类算法，改善激光感知中激光点云的过分割、欠分割等问题，从而提升了对关键障碍物的检测性能。

Description

一种激光点云的处理方法及相关设备
技术领域
本申请涉及激光处理领域，尤其涉及一种激光点云的处理方法及相关设备。
背景技术
保证感知的准确性是自动驾驶能够安全进行的首要条件，感知从传感器角度讲可以有多种模块，如激光感知模块、视觉感知模块、毫米波感知模块等，而激光感知模块作为关键模块之一，被广泛应用于诸如先进驾驶辅助系统(Advanced Driver AssistantSystem，ADAS)、自动驾驶系统(Autonomous Driving System，ADS)中，其能够给安装有该系统的轮式移动设备(如，自动驾驶车辆)提供障碍物精确的位置信息，从而为规控合理的决策提供坚实的依据。
使用激光雷达、三维激光扫描仪等激光感知模块接收到的激光信息以点云的形式呈现，而通过测量仪器得到的被测对象外观表面的点数据集合就称为点云，若该测量仪器是激光感知模块，那么得到的点云则称为激光点云(一般32线激光在同一时刻会有数万个激光点)，激光点云包含的激光信息可记为[x,y,z,intensity]，该激光信息表示的分别是每个激光点所打目标位置处在激光坐标系的三维坐标以及该激光点的反射强度。之后，通过对激光点云进行聚类得到聚类簇，一个聚类簇是多个激光点的一个集合，每个聚类簇表示的是一个目标物体，最后再根据各个聚类簇计算得到各个目标物体的位置、朝向、尺寸大小等信息输出给下游模块进行进一步处理。
以轮式移动设备为自动驾驶车辆为例，由于打在相邻关键障碍物之间的激光点(或打在关键障碍物上的激光点与打在道路边沿、灌木丛等非关键障碍物上的激光点)不易区分，或者由于遮挡，激光点云在同一目标物体上可能存在不连续性，会造成在对激光点云进行聚类的过程中出现欠分割和/或过分割现象，从而会引发后续的自动驾驶车辆的跟踪模块出现目标id跳变、目标位置跳变等情况，严重时会导致车辆被接管。
发明内容
本申请实施例提供了一种激光点云的处理方法及相关设备，通过将激光点云进行语义分割，并与传统的激光聚类算法相结合，改善激光感知中激光点云的过分割、欠分割等问题，从而进一步可提升对关键障碍物的检测性能。
基于此，本申请实施例提供以下技术方案：
第一方面，本申请实施例提供了一种激光点云的处理方法，可应用于自动驾驶领域中的激光感知领域，例如，可应用在智能行驶的智能体(如，智能汽车、智能网联汽车)上，该方法包括：首先，部署有激光传感器的相关系统(如，自动驾驶车辆的环境感知系统)可以通过激光传感器获取任意时刻的激光点云，每当获取到当前时刻的当前帧的激光点云，该相关系统就可根据预设算法(如，深度优先算法(Depth-First-Search，DFS))对该当前帧的激光点云进行聚类，得到粗分类的N个初始聚类簇，其中，N为大于等于1的整数。此外，部署有激光传感器的相关系统还可以通过对激光传感器获取到的当前帧的激光点云进行语义分割(如，可通过诸如PointSeg或DeepSeg等预设的神经网络)，以得到该激光点云内每个激光点对应的类别标签，该类别标签用于表示激光点云中每个激光点所属的分类类别。在得到当前帧的激光点云的粗分类的N个初始聚类簇以及激光点云内每个激光点对应的类别标签后，系统将查询这N个初始聚类簇中的每个初始聚类簇(这N个初始聚类簇中的任意一个初始聚类簇可称为第一初始聚类簇)内各个激光点对应的类别标签，并进一步根据每个初始聚类簇内各个激光点对应的类别标签对每个初始聚类簇进行再处理，得到目标聚类簇。
在本申请上述实施方式中，首先对获取到的当前帧的激光点云进行聚类(如，通过DFS算法在占据栅格地图(Occupancy Grid Map，OGM)中对激光点云进行聚类)，从而得到粗分类的N个初始聚类簇，并且可进一步通过相关的神经网络(如，PointSeg、DeepSeg等)对该激光点云进行语义分割，以得到该激光点云内的每个激光点云对应的类别标签，最后，针对每个初始聚类簇，查询其中各个激光点对应的类别标签，并根据查询到的类别标签的情况对各个初始聚类簇进行再处理(如，再分割、合并等)，得到目标聚类簇，其中，一个目标聚类簇就对应一个目标物体。在本申请上述实施方式中，通过将激光点云进行语义分割，并与传统的激光聚类算法相结合，改善激光感知中激光点云的过分割、欠分割等问题，从而提升了对关键障碍物的检测性能。
结合本申请实施例第一方面，在本申请实施例第一方面的第一种实现方式中，当第一初始聚类簇(即N个初始聚类簇中的任意一个初始聚类簇)内各个激光点对应的类别标签存在至少两个，则按预设方法对该第一初始聚类簇进行下一步处理(如，分割)，得到与该初始聚类簇对应的至少一个目标聚类簇。
在本申请上述实施方式中，说明是通过判断第一初始聚类簇中各激光点对应的类别标签的种类来对第一初始聚类簇进行再处理的，从而得到与第一初始聚类簇对应的至少一个目标聚类簇。
结合本申请实施例第一方面的第一种实现方式，在本申请实施例第一方面的第二种实现方式中，具体可以是：将该第一初始聚类簇按照激光点对应的类别标签进行划分，得到多个划分区域，其中，该多个划分区域中的任意一个划分区域为以预设的圈定方式将该初始聚类簇中属于同一类别标签的激光点圈定在一起的区域，之后，再获取该多个划分区域中第一划分区域与第二划分区域之间的交点数量，并根据该交点数量对该第一初始聚类簇进行下一步处理(如，若交点数量为0，则不进行分割；若交点数量≥2，则进行分割)，得到与该第一初始聚类簇对应的至少一个目标聚类簇。
在本申请上述实施方式中，具体阐述了是如何根据预设方法对第一初始聚类簇进行下一步处理以得到与该第一初始聚类簇对应的至少一个目标聚类簇的，即通过对第一初始聚类簇按照类别标签重新划分区域，再计算各个划分区域之间的交点数量，不同的交点数量处理方式也不同，具备实用性和灵活性。
结合本申请实施例第一方面的第二种实现方式，在本申请实施例第一方面的第三种实现方式中，当该第一划分区域与该第二划分区域之间的交点数量为0，且该第二划分区域为该第一划分区域的子集，则认为第二划分区域中的激光点是误分类点，此时认为该第一划分区域与第二划分区域之间不存在欠分割情况，则将该第一划分区域作为一个目标聚类簇，即第一划分区域与第二划分区域均对应于同一个目标聚类簇。
在本申请上述实施方式中，具体阐述了当两个划分区域的交点数量为0，且第二划分区域为该第一划分区域的子集，就可将该第一划分区域作为一个目标聚类簇，其对应一个目标物体，该目标物体就为第一划分区域对应的类别标签所表示的物体。
结合本申请实施例第一方面的第二种实现方式，在本申请实施例第一方面的第四种实现方式中，当该第一划分区域与该第二划分区域之间的交点数量为2，则认为该第一划分区域与第二划分区域之间存在欠分割的情况，处理的方式就是以交点之间的连接线作为分界线，将该第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
在本申请上述实施方式中，具体阐述了当两个划分区域的交点数量为2，则将该第一初始聚类簇分割为至少两个目标聚类簇，每个目标聚类簇就对应一个目标物体，这两个目标物体就分别为两个类别标签(即第一划分区域内的激光点对应的类别标签和第二划分区域内的激光点对应的类别标签)所表示的物体。
结合本申请实施例第一方面的第二种实现方式，在本申请实施例第一方面的第五种实现方式中，当该第一划分区域与该第二划分区域之间的交点数量为4，且第一交点和第二交点之间的连线将该第一划分区域分为第一部分和第二部分，且该第一部分所包含的激光点数量大于该第二部分所包含的激光点数量，则认为第二部分所包含的激光点为误分类点，此时对该第一划分区域重新划分，得到第三划分区域，该第三划分区域就为仅包括该第一部分内各个激光点的区域，之后，再按照上述交点数量为2类似的方式对该第一初始聚类簇进行再分割，即以该第二划分区域与该第三划分区域之间的两个交点之间的连线为分界线，将该第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
在本申请上述实施方式中，具体阐述了当两个划分区域的交点数量为4时，该如何对该第一初始聚类簇进行再分割的情形，即先根据一组交点对其中一个划分区域(如，第一划分区域)重新划分得到新的第三划分区域，这时第三划分区域与原来的另一个划分区域(如，第二划分区域)的交点数量为2，再按照上述划分区域间交点数量为2的情形类似处理。此外，在本申请上述三种根据划分区域两两之间交点数量的不同，所采取的再分割的方式也不同，具备灵活性。
结合本申请实施例第一方面、第一方面的第一种实现方式至的第五种实现方式，在本申请实施例第一方面的第六种实现方式中，当这N个初始聚类簇中存在至少两个初始聚类簇内各个激光点对应的类别标签为同一个，且该至少两个初始聚类簇所构成的第四划分区域满足预设条件，则将该至少两个初始聚类合并为一个目标聚类簇。
在本申请上述实施方式中，阐述了当存在至少两个初始聚类簇内各个激光点对应的类别标签为同一个，则认为这至少两个初始聚类簇存在疑似过分割情况，此时可先判断这至少两个初始聚类簇所构成的第四划分区域是否满足预设条件，若满足，则将该至少两个初始聚类合并为一个目标聚类簇，具备灵活性。
结合本申请实施例第一方面的第六种实现方式，在本申请实施例第一方面的第七种实现方式中，该至少两个初始聚类簇所构成的第四划分区域满足预设条件具体可以是：该至少两个初始聚类簇所构成的第四划分区域的大小在预设尺寸范围内，其中，该预设尺寸范围为该至少两个初始聚类簇内各个激光点对应的类别标签所标识的目标物体的实际尺寸；和/或，该至少两个初始聚类簇所构成的该第四划分区域的朝向角度与该至少两个初始聚类簇中的第一初始聚类簇的朝向角度的差值在预设角度范围内。
在本申请上述实施方式中，给出了判断该至少两个初始聚类簇所构成的第四划分区域是否满足预设条件的三种情形，具备选择性和可实现性。
结合本申请实施例第一方面、第一方面的第一种实现方式至的第七种实现方式，在本申请实施例第一方面的第八种实现方式中，该第一划分区域至该第四划分区域中的任意一个划分区域包括：圆形区域、矩形区域、正方形区域、梯形区域、多边形区域以及不规则形状区域中的任意一种封闭区域。
在本申请上述实施方式中，并不限定各种划分区域的形状，这样使得本申请实施例在实现方式上，可以更加灵活。
本申请实施例第二方面提供一种环境感知系统，该环境感知系统具有实现上述第一方面或第一方面任意一种可能实现方式的方法的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
在第二方面的一种可能的实现方式中，该环境感知系统可应用于智能行驶的智能体上，该智能行驶的智能体可以是自动驾驶车辆(如，智能汽车、智能网联汽车等)，也可以是辅助驾驶车辆，具体此处不做限定。
本申请实施例第三方面提供一种自动驾驶车辆，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于调用该存储器中存储的程序以执行本申请实施例第一方面或第一方面任意一种可能实现方式的方法。
本申请第四方面提供一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机可以执行上述第一方面或第一方面任意一种可能实现方式的方法。
本申请实施例第五方面提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面或第一方面任意一种可能实现方式的方法。
附图说明
图1为本申请实施例提供的真实场景与对应形成的激光点云的一个示意图；
图2为本申请实施例提供的真实场景与对应形成的激光点云的另一示意图；
图3为本申请实施例提供的不同分辨率的OGM的一个示意图；
图4为一种基于OGM的激光聚类算法的流程图；
图5为一种与视觉信息融合解决目标聚类过程中的欠分割与过分割问题的流程图；
图6为本申请实施例提供的自动驾驶车辆的总体架构的一个示意图；
图7为本申请实施例提供的自动驾驶车辆的一种结构示意图；
图8为本申请实施例提供的激光点云的处理方法的一个流程图；
图9为本申请实施例提供的激光点云映射到OGM中的一个示意图；
图10为本申请实施例提供的激光点云投影到OGM后经过DFS算法聚类得到的各个聚类簇在车辆坐标系下的聚类结果的一个示意图；
图11为本申请实施例提供的用于对激光点云进行语义分割的神经网络PointSeg的结构图；
图12为本申请实施例提供的根据激光点云的类别标签对初始聚类簇进行划分的一个示意图；
图13为本申请实施例提供的根据激光点云的类别标签对初始聚类簇进行划分的另一示意图；
图14为本申请实施例提供的根据激光点云的类别标签对初始聚类簇进行划分的另一示意图；
图15为本申请实施例提供的根据激光点云的类别标签对初始聚类簇进行划分的另一示意图；
图16为本申请实施例提供的根据激光点云的类别标签对初始聚类簇进行划分的另一示意图；
图17为本申请实施例提供的多个初始聚类簇属于同一类别标签的一个示意图；
图18为本申请实施例提供的多个初始聚类簇属于同一类别标签的一个示意图；
图19为本申请实施例提供的用L-shape方式估计待拟合并的至少两个初始聚类簇构成的第四区域的尺寸范围的一个示意图；
图20为本申请实施例提供的几种常见的过分割情形的示意图；
图21为通过本申请实施例在具体应用场景中的使用效果的一个示意图；
图22为通过本申请实施例在具体应用场景中的使用效果的另一示意图；
图23为本申请实施例提供的环境感知系统的一种结构示意图；
图24为本申请实施例提供的自动驾驶车辆的一种结构示意图。
具体实施方式
本申请实施例提供了一种激光点云的处理方法及相关设备，通过将激光点云进行语义分割，并与传统的激光聚类算法相结合，改善激光感知中激光点云的过分割、欠分割等问题，从而进一步可提升对关键障碍物的检测性能。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本申请实施例涉及了许多关于感知的相关知识，为了更好地理解本申请实施例的方案，下面先对本申请实施例可能涉及的相关术语和概念进行介绍。
轮式移动设备：是集环境感知、动态决策与规划、行为控制与执行等多功能于一体的综合系统，也可称为轮式移动机器人或轮式智能体，例如，可以是轮式施工设备、自动驾驶车辆、辅助驾驶车辆等，只要是具备轮式可移动的设备就都称为本申请所述的轮式移动设备。为便于理解，在以下实施例中，均以轮式移动设备为自动驾驶车辆为例进行说明，自动驾驶车辆可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等，本申请实施例不做特别的限定。
感知：在ADAS或ADS中，通过传感器(如，摄像机、激光雷达、毫米波雷达等)等发现轮式移动设备(如，自动驾驶车辆)周围环境中路面关键障碍物的相关信息，该相关信息也可称为感知信息。
规控：ADAS或ADS接收到传感器获取的感知信息后，对轮式移动设备的行驶状态做出规划与控制的决策系统，也可称为运动规划，通过将上层决策模块产生的指令生成具体的运动轨迹交由下层控制模块执行，是智能驾驶(包括辅助驾驶和自动驾驶)的关键环节。
关键障碍物：也可称为路面关键障碍物，是指行驶在路面上的车辆、行人等，区别于其他非关键障碍物，如路边的灌木丛、隔离带、建筑物等。
欠分割：作为路面关键障碍物的一个目标物体(如，路上的行人)对应的激光点云与其他一个或多个目标物体(如，该路面上的行驶的其他车辆等)对应的激光点云被聚类为一个目标物体对应的激光点云输出，或，作为路面关键障碍物的一个目标物体(如，路上的行人)对应的激光点云与非关键障碍物(如，灌木、路边的建筑物等)对应的激光点云被聚类为一个目标物体对应的激光点云输出。如，图1所示虚线框a中的“车辆1”对应的激光点云与虚线框b中的“灌木丛”对应的激光点云就被聚类为实线框A，并将实线框A中的激光点云作为一个目标物体输出，再如，图1所示的虚线框c中的“行人”对应的激光点云与虚线框d中的“车辆2”对应的激光点云挨的很近，也被聚类为一个目标物体(如，实线框B)输出，这种多个目标物体被聚类为一个目标物体输出的情况都称为欠分割。
过分割：本属于一个目标物体的激光点云在聚类时被聚类成多个目标物体，如图2中的虚线框a中的“卡车”对应的激光点云本应聚类为一个目标物体，而在实际的聚类过程中，聚类成了两个目标物体(如，图2实线框1和实线框2所包含的激光点云分别对应一个目标物体)，这种将一个目标物体分成多个目标物体输出的情况都称为过分割。
占据栅格地图(Occupancy Grid Map，OGM)：一种机器人常用的地图表示法，机器人经常使用激光传感器，而传感器数据存在噪音，例如，用激光传感器检测前方障碍物距离机器人多远，不可能检测到一个准确的数值，比如一个角度下，如果准确值是4米，那么在当前时刻检测到障碍物是3.9米，但是下一刻检测的是4.1m，不能将两个距离的位置都认为是障碍物，为解决这一问题就采用OGM，如图3所示的就是示意的两个不同分辨率的OGM，黑色的点为激光点，所有映射在OGM中的激光点就构成激光点云，在实际应用中，一般采用的OGM尺寸为300*300，即有300*300个小格子(即栅格)组成，每个栅格的尺寸(即长*宽，指每个栅格对应在车辆坐标系中是多少米)就称为OGM的分辨率，分辨率越高，栅格尺寸越小，那么某一时刻激光传感器获取到的激光点云落在某个特定栅格中的激光点就越少，如图3左边的图所示，落在灰色底栅格(图3左边图的第6行第11列)中的激光点为4个，反之，分辨率越低，栅格尺寸越大，那么同样的，在同一时刻激光传感器获取到的激光点云落在某个特定栅格中的激光点就越少，如图3右边的图所示，落在灰色底栅格(图3右边图的第4行第7列)中的激光点为9个。对一般的地图来讲，地图上某一个点要么有障碍物要么没有，但在OGM中，在某一特定时刻，若某个栅格中没有激光点就认为是空，有至少一个激光点就认为该栅格对应存在障碍物。因此，对于一个栅格把它是空的概率表示为p(s＝1)，有障碍物表示为p(s＝0)，两者的概率和为1，之后，把各个不同时刻获取到的激光点云映射到OGM中，并经过一系列数学变换，根据各个栅格是否被占据的概率把这个栅格定位为占据状态或者空闲状态。
此外，在介绍本申请实施例之前，先对目前激光点云的几种常见的聚类方式进行简单介绍，使得后续便于理解本申请实施例。
方式1，这是一种基于OGM的激光聚类算法，如图4所示，为该方法的一个流程图，其流程为：首先，得到激光扫描信息，即激光在工作过程中感知周围障碍物，向系统返回激光点云；之后，设置OGM的长和宽(即设置OGM尺寸)以及栅格分辨率后，激光坐标系中的所有激光点可以投影到该OGM中；最后根据深度优先算法对激光点云进行聚类，深度优先算法是常见的目标聚类算法。每次以一个点为中心，设置邻域大小，在此邻域判断是否有栅格被激光点占有，如果有则归为一个聚类，并以邻域的栅格为中心继续往下搜索，直到结束。通常通过控制邻域大小来控制过分割与欠分割情况，因此无法找到合理的邻域值同时能解决目标聚类过程中的过分割和欠分割问题。
方式2，这是一种与视觉信息融合解决目标聚类过程中的欠分割与过分割问题，如图5所示，为该方法的一个流程图，其流程概括为：从激光扫描到激光点云分割聚类的方法与方式1类似，不同的地方是多出一个视觉2D检测的感知部分(可称为视觉2D检测模块)，即从视频数据读取到视觉2D数据进行检测。在同一场景中，获取到的激光点云通过聚类得到M个聚类簇，每个聚类簇对应一个3D目标物，而视觉2D检测模块通过向训练好的相关网络输入采集到的图像，输出N个标注有2D框的目标物，之后通过将激光点云投影到该图像中，再应用图像中检测到的2D框对聚类簇进行再分割，从而解决目标聚类过程中的欠分割问题。此外，通过与激光点云匹配的2D框的id，可以判断某些聚类簇是否有可能是过分割产生的(如果两个聚类簇对应的视觉2D框id相同，则有可能这两个聚类簇来自于同一个目标物)。最后，通过适当的合并策略对目标聚类簇进行合并处理，从而改善过分割问题。然而，方式2对标定的要求非常高，即激光点云投影到图像中时坐标要非常精确，相机位置的轻微变动都会对最后的聚类结果产生极大的影响，此外，若目标物存在遮挡或是在夜晚的环境，对遮挡的目标或者是夜晚的环境，视觉2D检测模块无法获取到有效的图像，无法利用图像对激光点云进行再分割处理，该方法使用场景有局限性。
基于上述所述，为解决上述所述问题，本申请实施例首先提供了一种激光点云的处理方法，通过将激光点云进行语义分割，并与传统的激光聚类算法相结合，改善激光感知中激光点云的过分割、欠分割等问题，从而进一步可提升对关键障碍物的检测性能。
下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本申请实施例所提供的激光点云的处理方法可以应用于对各种智能行驶(如，无人驾驶、辅助驾驶等)的智能体进行运动规划(如，速度规划、驾驶行为决策、全局路径规划等)的场景中，以该智能体为自动驾驶车辆为例，先对自动驾驶车辆的总体架构进行说明，具体请参阅图6，图6示意的是自上而下的分层式体系架构，各系统之间可有定义接口，用于对系统间的数据进行传输，以保证数据的实时性和完整性。下面对各个系统进行简单介绍：
(1)环境感知系统
环境感知是智能驾驶车辆中最为基础的一个部分，无论是做驾驶行为决策还是全局路径规划，都需要建立在环境感知的基础上，依据对道路交通环境的实时感知结果，进行相对应的判断、决策和规划，使车辆实现智能驾驶。
环境感知系统主要是利用各种传感器获取相关的环境信息，从而完成对环境模型的构建以及对于交通场景的知识表达，所使用的传感器包括摄像机、单线雷达(SICK)、四线雷达(IBEO)、三维激光雷达(HDL-64E)等，其中，摄像机主要是负责红绿灯检测、车道线检测、道路指示牌检测、车辆识别等；其他的激光雷达传感器主要负责动\静态的关键障碍物的检测、识别和跟踪，以及道路边界、灌木带、周边建筑物等非关键障碍物的检测和提取，例如，三维激光雷达发出的激光一般以10FPS的频率采集外部环境信息，并返回每个时刻的激光点云，具体的，可以是通过对各个时刻获取到的激光点云进行聚类，从而输出目标物体的位置、朝向等信息。最后，基于以上各传感器得到的感知信息进行数据融合处理，映射到一张能表达道路环境的OGM中，并发送给自主决策系统做进一步的决策和规划。
(2)自主决策系统
自主决策系统是智能驾驶车辆中的关键组成部分，该系统主要分为行为决策和运动规划这两个核心子系统，其中，行为决策子系统主要是通过运行全局规划层来获取全局最优行驶路线，以明确具体驾驶任务，再根据环境感知系统发来的当前实时道路信息，基于道路交通规则和驾驶经验，决策出合理的驾驶行为，并将该驾驶行为指令发送给运动规划子系统；运动规划子系统则是根据接收的驾驶行为指令以及当前的局部环境感知信息，基于安全性、平稳性等指标规划处一条可行驾驶轨迹，并发送给控制系统。
(3)控制系统
控制系统具体来说也分为两个部分：控制子系统和执行子系统，其中，控制子系统用于将自主决策系统产生的可行驾驶轨迹转化为各个执行模块的具体执行指令，并传递给执行子系统；执行子系统接收来自控制子系统的执行指令后将其发送给各个控制对象，对车辆的转向、制动、油门、档位等进行合理的控制，从而使车辆自动行驶以完成对应的驾驶操作。
需要说明的是，在自动驾驶车辆的行驶过程中，自动驾驶车辆的驾驶操作的准确性主要取决于控制系统产生的针对各个执行模块的具体执行指令是否准确，而准确与否又取决于自主决策系统，自主决策系统又面临不确定性，该不确定性因素主要包括以下几个方面：1)环境感知系统中的各个传感器特性及标定误差带来的不确定性，不同传感器的感知机理、感知范围以及相应的误差模式是不一样的，并且其在自动驾驶车辆上安装带来的标定误差，最终都会反映在感知信息的不确定性上；2)环境感知系统数据处理延迟带来的不确定性，这是因为道路环境复杂，数据信息量庞大，这使得环境感知系统数据处理的计算量也大，而整个环境是时刻在变化的，这就必然会导致数据信息的延迟，从而影响自主决策系统的正确判断；3)对感知信息处理方式的不同也会带来不确定性，以本申请实施例为例，若采用传统的聚类方法对激光点云进行聚类，则会带来过分割和/或欠分割问题，若能改善激光点云在聚类过程中存在的过分割和/或欠分割问题，也就能相应减少自主决策系统的不确定性，进而提高控制系统产生的针对各个执行模块的具体执行指令的准确性。
还需要说明的是，图6所示的自动驾驶车辆的总体架构仅为示意，在实际应用中，可包含更多或更少的系统/子系统或模块，并且每个系统/子系统或模块可包括多个部件，具体此处不做限定。
为了更进一步的理解本方案，基于图6对应所述的自动驾驶车辆的总体架构，本申请实施例中还将结合图7对自动驾驶车辆内部各个结构的具体功能进行介绍，请先参阅图7，图7为本申请实施例提供的自动驾驶车辆的一种结构示意图，自动驾驶车辆100配置为完全或部分地自动驾驶模式，例如，自动驾驶车辆100可以在处于自动驾驶模式中的同时控制自身，并且可通过人为操作来确定车辆及其周边环境的当前状态，确定周边环境中的至少一个其他车辆的可能行为，并确定其他车辆执行可能行为的可能性相对应的置信水平，基于所确定的信息来控制自动驾驶车辆100。在自动驾驶车辆100处于自动驾驶模式中时，也可以将自动驾驶车辆100置为在没有和人交互的情况下操作。
自动驾驶车辆100可包括各种子系统，例如行进系统102、传感器系统104(如，图6中的摄像机、SICK、IBEO、激光雷达等均属于传感器系统104中的模块)、控制系统106、一个或多个外围设备108以及电源110、计算机系统112和用户接口116。可选地，自动驾驶车辆100可包括更多或更少的子系统，并且每个子系统可包括多个部件。另外，自动驾驶车辆100的每个子系统和部件可以通过有线或者无线互连。
行进系统102可包括为自动驾驶车辆100提供动力运动的组件。在一个实施例中，行进系统102可包括引擎118、能量源119、传动装置120和车轮/轮胎121。
其中，引擎118可以是内燃引擎、电动机、空气压缩引擎或其他类型的引擎组合，例如，汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎118将能量源119转换成机械能量。能量源119的示例包括汽油、柴油、其他基于石油的燃料、丙烷、其他基于压缩气体的燃料、乙醇、太阳能电池板、电池和其他电力来源。能量源119也可以为自动驾驶车辆100的其他系统提供能量。传动装置120可以将来自引擎118的机械动力传送到车轮121。传动装置120可包括变速箱、差速器和驱动轴。在一个实施例中，传动装置120还可以包括其他器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮121的一个或多个轴。
传感器系统104可包括感测关于自动驾驶车辆100周边的环境的信息的若干个传感器。例如，传感器系统104可包括定位系统122(定位系统可以是全球定位GPS系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，IMU)124、雷达126、激光测距仪128以及相机130。传感器系统104还可包括被监视自动驾驶车辆100的内部系统的传感器(例如，车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是自主自动驾驶车辆100的安全操作的关键功能。在本申请实施例中，激光感知模块是属于传感器系统104中非常重要的一个感知模块。
其中，定位系统122可用于估计自动驾驶车辆100的地理位置。IMU 124用于基于惯性加速度来感知自动驾驶车辆100的位置和朝向变化。在一个实施例中，IMU 124可以是加速度计和陀螺仪的组合。雷达126可利用无线电信号来感知自动驾驶车辆100的周边环境内的物体，具体可以表现为毫米波雷达或激光雷达。在一些实施例中，除了感知物体以外，雷达126还可用于感知物体的速度和/或前进方向。激光测距仪128可利用激光来感知自动驾驶车辆100所位于的环境中的物体。在一些实施例中，激光测距仪128可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。相机130可用于捕捉自动驾驶车辆100的周边环境的多个图像。相机130可以是静态相机或视频相机。
控制系统106为控制自动驾驶车辆100及其组件的操作。控制系统106可包括各种部件，其中包括转向系统132、油门134、制动单元136、计算机视觉系统140、线路控制系统142以及障碍避免系统144。
其中，转向系统132可操作来调整自动驾驶车辆100的前进方向。例如在一个实施例中可以为方向盘系统。油门134用于控制引擎118的操作速度并进而控制自动驾驶车辆100的速度。制动单元136用于控制自动驾驶车辆100减速。制动单元136可使用摩擦力来减慢车轮121。在其他实施例中，制动单元136可将车轮121的动能转换为电流。制动单元136也可采取其他形式来减慢车轮121转速从而控制自动驾驶车辆100的速度。计算机视觉系统140可以操作来处理和分析由相机130捕捉的图像以便识别自动驾驶车辆100周边环境中的物体和/或特征。所述物体和/或特征可包括交通信号、道路边界和障碍体。计算机视觉系统140可使用物体识别算法、运动中恢复结构(Structure from Motion，SFM)算法、视频跟踪和其他计算机视觉技术。在一些实施例中，计算机视觉系统140可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。线路控制系统142用于确定自动驾驶车辆100的行驶路线以及行驶速度。在一些实施例中，线路控制系统142可以包括横向规划模块1421和纵向规划模块1422，横向规划模块1421和纵向规划模块1422分别用于结合来自障碍避免系统144、GPS 122和一个或多个预定地图的数据为自动驾驶车辆100确定行驶路线和行驶速度。障碍避免系统144用于识别、评估和避免或者以其他方式越过自动驾驶车辆100的环境中的障碍体，前述障碍体具体可以表现为实际障碍体和可能与自动驾驶车辆100发生碰撞的虚拟移动体。在一个实例中，控制系统106可以增加或替换地包括除了所示出和描述的那些以外的组件。或者也可以减少一部分上述示出的组件。
自动驾驶车辆100通过外围设备108与外部传感器、其他车辆、其他计算机系统或用户之间进行交互。外围设备108可包括无线通信系统146、车载电脑148、麦克风150和/或扬声器152。在一些实施例中，外围设备108为自动驾驶车辆100的用户提供与用户接口116交互的手段。例如，车载电脑148可向自动驾驶车辆100的用户提供信息。用户接口116还可操作车载电脑148来接收用户的输入。车载电脑148可以通过触摸屏进行操作。在其他情况中，外围设备108可提供用于自动驾驶车辆100与位于车内的其它设备通信的手段。例如，麦克风150可从自动驾驶车辆100的用户接收音频(例如，语音命令或其他音频输入)。类似地，扬声器152可向自动驾驶车辆100的用户输出音频。无线通信系统146可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统146可使用3G蜂窝通信，例如CDMA、EVD0、GSM/GPRS，或者4G蜂窝通信，例如LTE。或者5G蜂窝通信。无线通信系统146可利用无线局域网(wireless local area network，WLAN)通信。在一些实施例中，无线通信系统146可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统146可包括一个或多个专用短程通信(dedicated short rangecommunications，DSRC)设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
电源110可向自动驾驶车辆100的各种组件提供电力。在一个实施例中，电源110可以为可再充电锂离子或铅酸电池。这种电池的一个或多个电池组可被配置为电源为自动驾驶车辆100的各种组件提供电力。在一些实施例中，电源110和能量源119可一起实现，例如一些全电动车中那样。
自动驾驶车辆100的部分或所有功能受计算机系统112控制。计算机系统112可包括至少一个处理器113，处理器113执行存储在例如存储器114这样的非暂态计算机可读介质中的指令115。计算机系统112还可以是采用分布式方式控制自动驾驶车辆100的个体组件或子系统的多个计算设备。处理器113可以是任何常规的处理器，诸如商业可获得的中央处理器(central processing unit，CPU)。可选地，处理器113可以是诸如专用集成电路(application specific integrated circuit，ASIC)或其它基于硬件的处理器的专用设备。尽管图1功能性地图示了处理器、存储器、和在相同块中的计算机系统112的其它部件，但是本领域的普通技术人员应该理解该处理器、或存储器实际上可以包括不存储在相同的物理外壳内的多个处理器、或存储器。例如，存储器114可以是硬盘驱动器或位于不同于计算机系统112的外壳内的其它存储介质。因此，对处理器113或存储器114的引用将被理解为包括可以并行操作或者可以不并行操作的处理器或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，所述处理器只执行与特定于组件的功能相关的计算。
在此处所描述的各个方面中，处理器113可以位于远离自动驾驶车辆100并且与自动驾驶车辆100进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于自动驾驶车辆100内的处理器113上执行而其它则由远程处理器113执行，包括采取执行单一操纵的必要步骤。
在一些实施例中，存储器114可包含指令115(例如，程序逻辑)，指令115可被处理器113执行来执行自动驾驶车辆100的各种功能，包括以上描述的那些功能。存储器114也可包含额外的指令，包括向行进系统102、传感器系统104、控制系统106和外围设备108中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。除了指令115以外，存储器114还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其他信息。这种信息可在自动驾驶车辆100在自主、半自主和/或手动模式中操作期间被自动驾驶车辆100和计算机系统112使用。用户接口116，用于向自动驾驶车辆100的用户提供信息或从其接收信息。可选地，用户接口116可包括在外围设备108的集合内的一个或多个输入/输出设备，例如无线通信系统146、车载电脑148、麦克风150和扬声器152。
计算机系统112可基于从各种子系统(例如，行进系统102、传感器系统104和控制系统106)以及从用户接口116接收的输入来控制自动驾驶车辆100的功能。例如，计算机系统112可利用来自控制系统106的输入以便控制转向系统132来避免由传感器系统104和障碍避免系统144检测到的障碍体。在一些实施例中，计算机系统112可操作来对自动驾驶车辆100及其子系统的许多方面提供控制。
可选地，上述这些组件中的一个或多个可与自动驾驶车辆100分开安装或关联。例如，存储器114可以部分或完全地与自动驾驶车辆100分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图7不应理解为对本申请实施例的限制。在道路行进的自动驾驶车辆，如上面的自动驾驶车辆100，可以识别其周围环境内的物体以确定对当前速度的调整。所述物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶车辆所要调整的速度。
可选地，自动驾驶车辆100或者与自动驾驶车辆100相关联的计算设备如图7的计算机系统112、计算机视觉系统140、存储器114可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰、等等)来预测所识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。自动驾驶车辆100能够基于预测的所识别的物体的行为来调整它的速度。换句话说，自动驾驶车辆100能够基于所预测的物体的行为来确定车辆将需要调整到(例如，加速、减速、或者停止)什么稳定状态。在这个过程中，也可以考虑其它因素来确定自动驾驶车辆100的速度，诸如，自动驾驶车辆100在行驶的道路中的横向位置、道路的曲率、静态和动态物体的接近度等等。除了提供调整自动驾驶车辆的速度的指令之外，计算设备还可以提供修改自动驾驶车辆100的转向角的指令，以使得自动驾驶车辆100遵循给定的轨迹和/或维持与自动驾驶车辆100附近的物体(例如，道路上的相邻车道中的轿车)的安全横向和纵向距离。
上述自动驾驶车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等，本申请实施例不做特别的限定。
本申请实施例提供了一种激光点云的处理方法，可应用于对各种智能行驶(如，无人驾驶、辅助驾驶等)的智能体(如，图6、图7对应的自动驾驶车辆的总体架构及各结构功能模块)进行运动规划(如，速度规划、驾驶行为决策、全局路径规划等)的场景中，请参阅图8，图8为本申请实施例提供的激光点云的处理方法的一种流程示意图，具体包括：
801、对获取到的当前帧的激光点云进行聚类，得到粗分类的N个初始聚类簇。
首先，部署有激光传感器的相关系统(如，上述自动驾驶车辆的环境感知系统)可以通过激光传感器获取任意时刻的激光点云，每当获取到当前时刻的当前帧的激光点云，该系统就可根据预设算法对该当前帧的激光点云进行聚类，得到粗分类的N个初始聚类簇，其中，N为大于等于1的整数。
具体地，系统可通过但不限于如下方式对当前帧的激光点云进行聚类：首先，将获取到的当前帧的激光点云投影到OGM中，由于激光点云中的每个激光点包含的激光信息可记为[x,y,z,intensity]，该激光信息表示的分别是每个激光点所打目标位置处在激光坐标系的三维坐标以及该激光点的反射强度，假设当前时刻返回至系统的激光点云为{pi},pi＝[xi,yi,zi],i＝1～n，其中，i为激光点云中激光点的数量，那么在投影过程中，实际上是忽略了各个激光点的高度信息，而是将三维坐标中的[xi,yi]按照一定的比例进行缩放后投影到OGM中，如图9中左图为各个激光点的俯视图，白色点为采集到的激光点，各个激光点按照设定的分辨率(即OGM中栅格的大小)可以将所有激光点映射到图9右图的OGM中(图9右图仅示意了映射过来的部分激光点)，其中OGM中的“黑色方格”为对应激光坐标系的原点。之后，可通过预设算法，如，深度优先算法(Depth-First-Search，DFS)，在OGM中对激光点云进行聚类。DFS是一种用于遍历、搜索树或图的算法，沿着树的深度遍历树的节点，尽可能深的搜索树的分支，当某个节点V所在边都己被探寻过，搜索将回溯到发现节点V的那条边的起始节点，这一过程一直进行到已发现从源节点可达的所有节点为止，如果还存在未被发现的节点，则再选择其中一个节点作为源节点并重复以上过程，整个进程反复进行直到所有节点都被访问为止。通过该算法，就可在OGM中实现对激光点云的聚类，得到m个聚类簇，每个聚类簇对应一个通过该方法确定出的目标物体，每个聚类簇都包括OGM图中的至少一个坐标值，如图9中被投影到OGM中的激光点云按照上述算法对激光点云进行聚类，就得到了4个粗分类的初始聚类簇，如，图9中的4块分别连在一起的“灰色方格”就分别为4个粗分类的初始聚类簇。OGM中的坐标值可表示为：{Vj},Vj＝{pi},pi＝(xi,yi)，这里需要注意的是，Vj为每个栅格在OGM中的坐标值。在得到了激光点云在OGM中的聚类簇之后，由于激光点云在激光坐标系以及车辆坐标系上的坐标与OGM中的坐标是对应的，对上一步在OGM中进行聚类得到的m个聚类簇可以转换成在车辆坐标系对激光点云的聚类，设在车辆坐标系对激光点云的聚类结果为：{Vwj},Vwj＝{pwi},pwi＝[xwi,ywi,zwi]，j＝1～m，i＝1～n。其中，m为某个聚类簇，n为激光点的数量，如图10所示，就为激光点云投影到OGM后，经过DFS算法聚类得到的各个聚类簇在车辆坐标系下的聚类结果，其中，每一个白色的凸包就是一个聚类簇，每个聚类簇对应一个通过该聚类方式确定出的目标物体，从图10中可以看出，激光点云聚成了很多个目标，每个目标包含很多个激光点。
这里需要说明的是，在上述所述的对获取到的当前帧的激光点云进行聚类的方式中，得到的粗分类的每个初始聚类簇是被认为对应一个目标物体，据此来确定各个目标物体在车辆坐标系中真实存在的位置、朝向等信息，实际上，每个初始聚类簇是否真正对应一个目标物体是由采用的预设算法决定的，按照目前普遍采用的DFS算法，这种传统的算法会存在过分割和/或欠分割的问题。
802、对激光点云进行语义分割，得到激光点云内每个激光点对应的类别标签。
部署有激光传感器的相关系统还可以通过对激光传感器获取到的当前帧的激光点云进行语义分割，以得到该激光点云内每个激光点对应的类别标签，该类别标签用于表示激光点云中每个激光点所属的分类类别。
对激光点云进行语义分割区别于图像语义分割，但与图像语义分割的思路类似，一般来说，激光点云的语义分割是通过一个特定结构的神经网络对激光点云进行语义分类的，为便于理解，图11示意出一种用于对激光点云进行语义分割的神经网络PointSeg的结构图(为公知常识，具体此处不对该结构进行具体说明)，PointSeg是一种基于球形图的实时端到端语义分割目标物体的方法，PointSeg网络的输入是通过激光点云计算得到的球面图，该球面图的配置参数一般为64*512*5，其中，64*512为该球面图的尺寸大小，5为通道数，PointSeg网络的输出则为与输入的球面图等尺寸的标签(label)图，由于激光点云与球面图的坐标也是一一对应的，因此可通过最终输出的标签图得到每个激光点对应的类别标签，从而实现对激光点云的语义分割。
这里需要说明的是，本申请所述的类别标签可根据用户需要自行设置，或车辆在出厂或升级时被设置，具体此处不做限定，一般根据实际场景，类别标签一般可设置为如下几类：“背景”、“汽车”、“卡车”、“有轨电车”、“骑行者”、“行人”等常见的车辆行驶过程中可能遇到的关键障碍物的类别，具体根据实际应用场景确定，此处不做限定。
还需要说明的是，除了PointSeg网络，还可以利用其它的神经网络对激光点云进行语义分割，如，DeepSeg网络，具体此处对该神经网络的具体形式不做限定，只要能实现对激光点云进行语义分割目的的神经网络都可以。
由上述可知，通过步骤802，当前帧的激光点云内的每个激光点都可以对应到一个类别标签上，即每个激光点pi，对应一个类别标签li。
需要说明的是，在本申请实施例中，步骤801和步骤802的执行没有先后顺序，可以先执行步骤801再执行步骤802，也可以先执行步骤802再执行步骤801，也可以同时执行步骤801和步骤802，具体此处不做限定。
803、查询第一初始聚类簇内各个激光点对应的类别标签，并根据第一初始聚类簇内各个激光点对应的类别标签对第一初始聚类簇进行再处理，得到目标聚类簇。
在得到当前帧的激光点云的粗分类的N个初始聚类簇以及激光点云内每个激光点对应的类别标签后，系统将查询N个初始聚类簇中的每个初始聚类簇内各个激光点对应的类别标签，并进一步根据第一初始聚类簇(N个初始聚类簇中的任意一个初始聚类簇可称为第一初始聚类簇)内各个激光点对应的类别标签对第一初始聚类簇进行再处理，得到目标聚类簇。这里需要说明的是，在上述步骤801所述的对获取到的当前帧的激光点云进行聚类的方式中，得到的粗分类的每个初始聚类簇是被认为对应一个目标物体，据此来确定各个目标物体在车辆坐标系中真实存在的位置、朝向等信息，实际上，每个初始聚类簇是否真正对应一个目标物体是由采用的预设算法决定的，按照目前普遍采用的DFS算法，这种传统的算法会存在过分割和/或欠分割的问题。因此在步骤803中，结合每个激光点所属的类别标签，对每个粗分类的初始聚类簇进行再处理，以得到一个或多个目标聚类簇，每个目标聚类簇就对应一个真实的目标物体。
在本申请上述实施方式中，首先对获取到的当前帧的激光点云进行聚类(如，通过DFS算法在OGM中对激光点云进行聚类)，从而得到粗分类的N个初始聚类簇，并且可进一步通过相关的神经网络(如，PointSeg网络、DeepSeg网络等)对该激光点云进行语义分割，以得到该激光点云内的每个激光点云对应的类别标签，最后，针对每个初始聚类簇，查询其中各个激光点对应的类别标签，并根据查询到的类别标签的情况对各个初始聚类簇进行再处理(如，再分割、合并等)，得到目标聚类簇，其中，一个目标聚类簇就对应一个目标物体。在本申请上述实施方式中，通过将激光点云进行语义分割，并与传统的激光聚类算法相结合，改善激光感知中激光点云的过分割、欠分割等问题，从而提升了对关键障碍物的检测性能。
需要说明的是，在本申请的一些实施方式中，具体如何对每个粗分类的初始聚类簇进行再处理以得到一个或多个目标聚类簇可以通过但不限于如下几种方式：
A、当第一初始聚类簇内各个激光点对应的类别标签存在至少两个，此时第一初始聚类簇存在疑似欠分割情况。
将通过上述步骤801-802得到的初始聚类簇记为Tx，其包含了y个激光点{p0～py}，x为某个初始聚类簇(可称为第一初始聚类簇)，这y个激光点中每一个都已确定了与其对应的分类标签。当查询初始聚类簇Tx内各个激光点对应的类别标签后，确定该初始聚类簇Tx内各个激光点对应的类别标签存在至少两个，则说明该初始聚类簇Tx可能存在欠分割情况，此时可按照预设方法对该初始聚类簇Tx进行处理，得到与初始聚类簇Tx对应的至少一个目标聚类簇，包括但不限于通过如下方式对该初始聚类簇Tx进行处理：首先对该初始聚类簇Tx按照激光点对应的类别标签重新进行划分，即将该初始聚类簇Tx中类别标签一致的激光点按照预设的圈定方式圈定在一起，从而得到多个划分区域，之后，再获取这多个划分区域中第一划分区域与第二划分区域之间的交点数量，并根据交点数量对初始聚类簇Tx进行分割，得到与初始聚类簇Tx对应的至少一个目标聚类簇。为便于理解，可参阅图12，假设某个初始聚类簇T1中的激光点对应的类别标签有2类，分别为“汽车”和“行人”，其中，类别标签为“汽车”的激光点以灰点示意，类别标签为“行人”的激光点以黑点示意，那么针对该初始聚类簇T1就可按照标签类别再分割为2个划分区域(可分别记为区域1、区域2)，每个划分区域对应一个类别标签(区域1、区域2分别对应“行人”、“汽车”)，之后，计算这两个区域之间的交点数量(如，图12中示意的交点数量为2，分别为交点a0和b0)，再根据交点数量对该初始聚类簇T1进行分割，得到与初始聚类簇对应的至少一个目标聚类簇。
下面以初始聚类簇Tx中各个激光点对应的类别标签为两个(此时划分区域只有两个，分别为第一划分区域和第二划分区域)为例，介绍几种根据交点数量对初始聚类簇Tx进行再处理的情况，包括但不限于：
a、当第一划分区域与第二划分区域之间的交点数量为0。
如图13所示，以灰色点示意的各个激光点对应一个类别标签，其位于第一划分区域内，可将第一划分区域记为区域1，以黑色点示意的激光点对应另一个类别标签，其位于第二划分区域内，可将第二划分区域记为区域2，由图13可知，区域2为区域1的子集，此时可认为区域2中的激光点是误分类点，即认为该初始聚类簇Tx不存在欠分割情况，该初始聚类簇Tx就作为一个目标聚类簇，其对应一个目标物体，该目标物体就为区域1对应的类别标签所表示的物体。
b、当第一划分区域与第二划分区域之间的交点数量为2。
如图14所示，以灰色点示意的各个激光点对应一个类别标签，其位于第一划分区域内，可将第一划分区域记为区域1，以黑色点示意的激光点对应另一个类别标签，其位于第二划分区域内，可将第二划分区域记为区域2，由图14可知，区域1和区域2之间存在两个交点(分为记为a1和b1)，此时可认为该初始聚类簇Tx存在欠分割的情况，处理方式可以是以交点a1和交点b1之间的连线作为分界线(如图14中的黑色直线)，将该初始聚类簇Tx分割为两个目标聚类簇，每个目标聚类簇就对应一个目标物体，这两个目标物体就分别为两个类别标签所表示的物体。
c、当第一划分区域与第二划分区域之间的交点数量为4。
如图15所示，以灰色点示意的各个激光点对应一个类别标签，其位于第一划分区域内，可将第一划分区域记为区域1，以黑色点示意的激光点对应另一个类别标签，其位于第二划分区域内，可将第二划分区域记为区域2，由图15可知，区域1和区域2之间存在四个交点(分为记为a2、b2、a3、b3)，其中通过一组交点a2和b2将区域1中的激光点分为了左右两部分，其中可将区域1的左边部分称为第一部分，右边部分称为第二部分，由图15可知，第一部分所包含的灰色点示意的激光点数量大于第二部分所包含的灰色点示意的激光点数量，此时认为第二部分所包含的激光点为误分类点，对区域1重新划分得到区域3，区域3即为第一部分所包含的灰色点示意的激光点所占据的区域，可知区域1和区域3之间的交点数量为2，此时再按照上述“情形b”类似的方式对该初始分类簇Tx进行再分割，即以交点a2和交点b2之间的连线作为分界线，将该初始聚类簇Tx分割为两个目标聚类簇，每个目标聚类簇就对应一个目标物体，这两个目标物体就分别为两个类别标签所表示的物体。
需要说明的是，上述情形a-c是以初始聚类簇Tx中各个激光点对应的类别标签为两个(此时划分区域只有两个，分别为第一划分区域和第二划分区域)为例进行说明的，若初始聚类簇Tx中各个激光点对应的类别标签为两个以上(如，3个)，则可以按照上述类似的方式依次处理多个划分区域中两两之间的交点数量不同时的情况，为便于理解，可参阅图16，假设某个初始聚类簇T2中的激光点对应的类别标签有3类，分别为“汽车”、“行人”、“卡车”，其中，类别标签为“汽车”的激光点以灰点示意，类别标签为“行人”的激光点以黑点示意，类别标签为“卡车”的激光点以空心点示意，那么针对该初始聚类簇T2就可按照标签类别再分割为3个划分区域(可分别记为区域1、区域2、区域3)，每个划分区域对应一个类别标签(区域1、区域2、区域3分别对应“行人”、“汽车”、“卡车”)，之后，依次两两计算两个区域之间的交点数量，并根据交点数量的不同按照上述情形a-c中的某一种情况进行处理，最终得到与该初始聚类簇T2对应的至少一个目标聚类簇。例如，先计算区域1和区域2之间的交点数量，根据交点数量的不同按照上述情形a-c中的某一种情况进行处理，类似的，将区域1和区域3、区域2和区域3也根据交点数量的不同按照上述情形a-c中的某一种情况进行处理，直至所有划分区域都与其他划分区域进行了交点数量的比较。
B、当N个初始聚类簇中存在至少两个初始聚类簇内各个激光点对应的类别标签为同一个，此时初始聚类簇存在疑似过分割情况。
将通过上述步骤801-802得到的初始聚类簇记为Tx，其包含了y个激光点{p0～py}，x为某个初始聚类簇，这y个激光点中每一个都已确定了与其对应的分类标签。当存在至少两个初始聚类簇内各个激光点对应的类别标签为同一个，则认为这至少两个初始聚类簇存在疑似过分割情况，此时可先判断这至少两个初始聚类簇所构成的第四划分区域是否满足预设条件，若满足，则将该至少两个初始聚类合并为一个目标聚类簇。为便于理解，可参阅图17，假设初始聚类簇T3、T4和T5内各个激光点对应的标签类别均为同一个类别l1(由于类别都一样，所以初始聚类簇T3、T4和T5内各个激光点均以黑点示意)，此时就判断初始聚类簇T3、T4和T5是否满足预设条件，若满足，就可将这两个初始聚类簇T3、T4和T5合并为一个目标聚类簇。
在本申请的一些实施方式中，如何判断这至少两个初始聚类簇所构成的第四划分区域是否满足预设条件可以通过但不限于如下方式：
a、判断类别标签为同一个的至少两个初始聚类簇所构成的第四划分区域的大小是否在预设尺寸范围内。
当类别标签为同一个的至少两个初始聚类簇所构成的第四划分区域的大小在预设尺寸范围内时，则认为该至少两个初始聚类簇来自于同一目标物体，则可将该至少两个初始聚类簇合并为一个目标聚类簇，该合并成的目标聚类簇就对应一个真实的目标物体，该目标物体就为该类别标签所表示的物体。
为便于理解，下面以两个初始聚类簇内各个激光点对应的类别标签为同一个为例进行示意，请参阅图18，假设初始聚类簇T6和T7对应的类别标签均为l2，l2为“汽车”，若初始聚类簇T6和T7共同构成的第四划分区域在车辆坐标系下的尺寸范围在“汽车”的真实尺寸范围(假设已考虑误差值)内，则认为初始聚类簇T6和T7来自同一目标物体“汽车”，此时即可将初始聚类簇T6和T7合并为一个目标聚类簇Ta，该目标聚类簇Ta就对应于该目标物体“汽车”。
需要说明的是，在本申请实施例中，每个类别标签下的真实的目标物体(如，成年人、大卡车、汽车等)都可根据大数据求得其真实尺寸范围，如，成年人高1.5米至1.9米、宽0.4米至0.8米，据此可求得成年人的真实尺寸范围作为本申请上述所述的类别标签为“行人”对应的预设尺寸范围；类似的，可求出所有类别标签下的真实的目标物体的真实尺寸范围，各个类别标签对应的真实目标物体的尺寸范围就为上述所述的预设尺寸范围。只有当类别标签为同一个的至少两个初始聚类簇所构成的第四划分区域的大小在预设尺寸范围内，才认为该至少两个初始聚类簇来自于同一目标物体。
需要说明的是，在本申请的一些实施方式中，为加快效率，还可将各个类别标签下的真实的目标物体的真实尺寸范围作为搜索区域，按照一定的移动步长滑动各个搜索区域，当在某个搜索区域内存在至少两个初始聚类簇对应于该搜索区域的类别标签，则认为该至少两个初始聚类簇均来自于与该搜索区域对应的目标物体，此时可将该至少两个初始聚类簇合并为一个目标聚类簇。需要注意的是，该搜索区域不限于形状，可以是圆形区域、矩形区域、正方形区域、梯形区域、多边形区域以及不规则形状区域中的任意一种封闭区域，具体此处不做限定。
还需要说明的是，在本申请的一些实施方式中，可用L-shape方式估计待拟合并的至少两个初始聚类簇构成的第四区域的尺寸范围，如图19所示，自车通过激光传感器获取到的前车的激光点云构成的是“L”形(图19示意了两个前车构成的“L”形)，假设“L”形的两条边均为被传统聚类算法聚类成了两个初始聚类簇，而经过对激光点云的语义分割得知这两个初始聚类簇均来自于同一类别(即“汽车”)，这种情况无法计算一个“L”形的尺寸，此时就可通过L-shape方式将“L”形补全为一个矩形，该矩形就可认为是该第四区域。
b、判断类别标签为同一个的至少两个初始聚类簇所构成的第四划分区域的朝向角度与该至少两个初始聚类簇中的第一初始聚类簇的朝向角度的差值是否在预设角度范围内。
当类别标签为同一个的至少两个初始聚类簇所构成的第四划分区域的朝向角度与该至少两个初始聚类簇中的第一初始聚类簇(该第一初始聚类簇可根据预设方法从该至少两个初始聚类簇中确定，也可以是从该至少两个初始聚类簇任意选择的，具体此处不做限定)的朝向角度的差值在预设角度范围内时，则认为该至少两个初始聚类簇来自于同一目标物体，则可将该至少两个初始聚类簇合并为一个目标聚类簇，该合并成的目标聚类簇就对应一个真实的目标物体，该目标物体就为该类别标签所表示的物体。
为便于理解，下面依以两个初始聚类簇内各个激光点对应的类别标签为同一个为例进行示意，假设预设角度为θth，初始聚类簇1对应目标的朝向角度为θ1，初始聚类簇2对应目标2的朝向角度为θ2，尝试合并两目标后的新目标的角度为θnew，则判断可以将这两个初始聚类簇成功合并的条件可以为：|θ1-θnew|≤θth或|θ2-θnew|≤θth，如果满足该条件，则认为两个初始聚类簇来自于同一个目标物体，可以将其进行合并。θth可根据实际情况自行设置，一般设定θth为10°。
另外需要说明的是，在本申请的一些实施方式中，还可以按照目标物体对应的类别标签进行设定不同的θth，对尺寸大的目标物体而言，被分割成为的片段所拥有的激光点数量相对较多，对该片段的激光点云的角度估计更加稳定和准确，因此对大尺寸目标物体可以设定较小的θth，反之，对小尺寸的目标物体对应的类别标签则可以相对设置大一点的θth。
为便于理解，下面对几种常见的过分割情形进行说明，如图20，(a)场景是常见的卡车在车头处由于激光点云不连续导致出现过分割的情形，在此情况下，可以采用上述方式“b”判断角度的方式，使得(a)场景中的两个初始聚类簇被合并，从而解决该场景下的过分割问题。类似地，如图20中的(b)场景，正前方车辆由于侧边激光扫描到的激光点云极少(一般自车前方向左、向右或向前行驶的他车返回的激光点云区分不出来的，当属于同一类别的两个初始聚类簇的朝向呈90°时则认为这两个初始聚类簇来自于同一目标物体)，而且不连续，从而导致过分割。此种场景也可以顺利的通过合并后角度合理性判断是否来自于同一目标物体。
c、判断类别标签为同一个的至少两个初始聚类簇所构成的第四划分区域的大小是否在预设尺寸范围内，且还需判断该第四划分区域的朝向角度与该至少两个初始聚类簇中的第一初始聚类簇的朝向角度的差值是否在预设角度范围内。
方式“c”实际上是指类别标签为同一个的至少两个初始聚类簇所构成的第四划分区域不仅要满足上述方式“a”的在预设尺寸范围内的条件，还要满足上述方式“b”的朝向角度在预设角度范围内的条件，这样使得在处理激光点云过分割和欠分割的问题上更加精准，如图20中的(c)场景，其中灰色点的初始聚类簇与黑色点的初始聚类簇分别为自车前方道路上两个车道上行驶的小车，在这种情况下不应该将两个初始聚类簇合并，如果没有此步的合并后角度合理性判断，若根据前面方式“a”判断尺寸范围的方式，则会将这两个初始聚类簇合并为一个目标聚类簇Tb，从而在解决过分割问题的时候又重新引入了欠分割问题。而此时，再进行角度合理性判断将阻止将这两个初始聚类簇进行合并，从而使在处理过分割问题的过程中不引入欠分割问题。因此，加入合并后角度合理性判断能够在确保需要合并的初始聚类簇成功合并的同时，能够甄别不能合并的初始聚类簇，从而提高系统解决过分割、欠分割问题的能力。
需要说明的是，在本申请的一些实施方式中，判断类别标签为同一个的至少两个初始聚类簇所构成的第四划分区域的大小是否在预设尺寸范围内与判断该第四划分区域的朝向角度与该至少两个初始聚类簇中的第一初始聚类簇的朝向角度的差值是否在预设角度范围内没有先后之分，可根据实际情况自行选择先进行哪种判断，具体此处不做限定。
还需要说明的是，在本申请的一些实施方式中，对上述实施例中所述的各种划分区域(如，第一划分区域至第四划分区域、搜索区域等)的形状并不限定，例如，可以是圆形区域、矩形区域、正方形区域、梯形区域、多边形区域以及不规则形状区域中的任意一种封闭区域。这样使得本申请实施例在实现方式上，可以更加灵活。
为了对本申请实施例所带来的有益效果有更为直观的认识，以下结合图21和图22对本申请实施例所带来的有益效果作进一步的介绍，图21和图22为通过本申请上述实施例在具体应用场景中的使用效果，如图21所示的椭圆框(即初始聚类簇)，原本通过传统的聚类算法得到的粗分类的初始聚类簇是使得“小车”和“灌木”被聚类成一个目标物体输出，且自车正前方的“人”和“小车”被聚类成一个目标物体输出，通过采用本申请上述实施例所述的方式，可有效将各个目标物体分离开来。如图22所示，原本通过传统的聚类算法得到的粗分类的初始聚类簇会使得前面行驶的“卡车”被分割为多个目标，通过采用本申请上述实施例所述的方式，可将其合并为一个目标输出。
在图8所对应的实施例的基础上，为了更好的实施本申请实施例的上述方案，下面还提供用于实施上述方案的相关设备。具体参阅图23，图23为本申请实施例提供的环境感知系统的一种结构示意图，该环境感知系统可应用于各种智能行驶(如，无人驾驶、辅助驾驶等)的智能体(如，轮式移动设备中的自动驾驶车辆、辅助驾驶车辆等)，该环境感知系统可以包括：聚类模块2301、语义分割模块2302以及再处理模块2303，其中，聚类模块2301，用于对获取到的当前帧的激光点云进行聚类，得到粗分类的N个初始聚类簇；语义分割模块2302，用于对该激光点云进行语义分割，得到该激光点云内每个激光点对应的类别标签，该类别标签用于表示该激光点云中每个激光点所属的分类类别；再处理模块2303，用于查询该N个初始聚类簇中的每一个初始聚类簇(可称为第一初始聚类簇)内各个激光点对应的类别标签，并根据该第一初始聚类簇内各个激光点对应的类别标签对该第一初始聚类簇进行再处理，得到目标聚类簇，一个目标聚类簇对应一个目标物体。
在本申请上述实施方式中，首先，聚类模块2301对获取到的当前帧的激光点云进行聚类(如，通过DFS算法在OGM中对激光点云进行聚类)，从而得到粗分类的N个初始聚类簇，并且可进一步通过语义分割模块2302(如，PointSeg网络、DeepSeg网络等)对该激光点云进行语义分割，以得到该激光点云内的每个激光点云对应的类别标签，最后，针对每个初始聚类簇，通过再处理模块2303查询其中各个激光点对应的类别标签，并根据查询到的类别标签的情况对各个初始聚类簇进行再处理(如，再分割、合并等)，得到目标聚类簇，其中，一个目标聚类簇就对应一个目标物体。在本申请上述实施方式中，通过将激光点云进行语义分割，并与传统的激光聚类算法相结合，改善激光感知中激光点云的过分割、欠分割等问题，从而提升了对关键障碍物的检测性能。
在一种可能的设计中，该再处理模块2303，具体用于：当该第一初始聚类簇内各个激光点对应的类别标签存在至少两个，则按预设方法对该第一初始聚类簇进行进一步处理(如，若交点数量为0，则不进行分割；若交点数量≥2，则进行分割)，得到与该第一初始聚类簇对应的至少一个目标聚类簇。
在本申请上述实施方式中，说明是通过判断第一初始聚类簇中各激光点对应的类别标签的种类来对第一初始聚类簇进行下一步处理的，从而得到与第一初始聚类簇对应的至少一个目标聚类簇。
在一种可能的设计中，该再处理模块2303，具体还用于：将该第一初始聚类簇按照激光点对应的类别标签进行划分，得到多个划分区域，其中，该多个划分区域中的任意一个划分区域为以预设的圈定方式将该第一初始聚类簇中属于同一类别标签的激光点圈定在一起的区域，之后，再获取该多个划分区域中第一划分区域与第二划分区域之间的交点数量，并根据该交点数量对该第一初始聚类簇进行分割，得到与该第一初始聚类簇对应的至少一个目标聚类簇。
在本申请上述实施方式中，具体阐述了是如何根据预设方法对第一初始聚类簇进行下一步处理以得到与该第一初始聚类簇对应的至少一个目标聚类簇的，即通过对第一初始聚类簇按照类别标签重新划分区域，再计算各个划分区域之间的交点数量，不同的交点数量处理方式也不同，具备实用性和灵活性。
在一种可能的设计中，该再处理模块2303，具体还用于：当该交点数量为0，且该第二划分区域为该第一划分区域的子集，则认为第二划分区域中的激光点是误分类点，此时认为该第一划分区域与第二划分区域之间不存在欠分割情况，则将该第一划分区域作为一个目标聚类簇，即第一划分区域与第二划分区域均对应于同一个目标聚类簇。
在本申请上述实施方式中，具体阐述了当两个划分区域的交点数量为0，且第二划分区域为该第一划分区域的子集，就可将该第一划分区域作为一个目标聚类簇，其对应一个目标物体，该目标物体就为第一划分区域对应的类别标签所表示的物体。
在一种可能的设计中，该再处理模块2303，具体还用于：当该交点数量为2，则认为该第一划分区域与第二划分区域之间存在欠分割的情况，处理的方式就是以交点之间的连接线作为分界线，将该第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
在本申请上述实施方式中，具体阐述了当两个划分区域的交点数量为2，则将该第一初始聚类簇分割为至少两个目标聚类簇，每个目标聚类簇就对应一个目标物体，这两个目标物体就分别为两个类别标签(即第一划分区域内的激光点对应的类别标签和第二划分区域内的激光点对应的类别标签)所表示的物体。
在一种可能的设计中，该再处理模块2303，具体还用于：当该交点数量为4，且第一交点和第二交点之间的连线将该第一划分区域分为第一部分和第二部分，且该第一部分所包含的激光点数量大于该第二部分所包含的激光点数量，则认为第二部分所包含的激光点为误分类点，此时对该第一划分区域重新划分，得到第三划分区域，该第三划分区域就为仅包括该第一部分内各个激光点的区域，之后，再按照上述交点数量为2类似的方式对该第一初始聚类簇进行再分割，即以该第二划分区域与该第三划分区域之间的两个交点之间的连线为分界线，将该第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
在本申请上述实施方式中，具体阐述了当两个划分区域的交点数量为4时，该如何对该第一初始聚类簇进行再分割的情形，即先根据一组交点对其中一个划分区域(如，第一划分区域)重新划分得到新的第三划分区域，这时第三划分区域与原来的另一个划分区域(如，第二划分区域)的交点数量为2，再按照上述划分区域间交点数量为2的情形类似处理。此外，在本申请上述三种根据划分区域两两之间交点数量的不同，所采取的再分割的方式也不同，具备灵活性。
在一种可能的设计中，该再处理模块2303，具体还用于：当N个初始聚类簇中存在至少两个初始聚类簇内各个激光点对应的类别标签为同一个，且该至少两个初始聚类簇所构成的第四划分区域满足预设条件，则将该至少两个初始聚类合并为一个目标聚类簇。
在本申请上述实施方式中，阐述了当存在至少两个初始聚类簇内各个激光点对应的类别标签为同一个，则认为这至少两个初始聚类簇存在疑似过分割情况，此时可先判断这至少两个初始聚类簇所构成的第四划分区域是否满足预设条件，若满足，则将该至少两个初始聚类合并为一个目标聚类簇，具备灵活性。
在一种可能的设计中，该至少两个初始聚类簇所构成的第四划分区域满足预设条件包括：该至少两个初始聚类簇所构成的第四划分区域的大小在预设尺寸范围内，其中，该预设尺寸范围为该至少两个初始聚类簇内各个激光点对应的类别标签所标识的目标物体的实际尺寸；和/或，该至少两个初始聚类簇所构成的该第四划分区域的朝向角度与该至少两个初始聚类簇中的第一初始聚类簇的朝向角度的差值在预设角度范围内。
在本申请上述实施方式中，给出了判断该至少两个初始聚类簇所构成的第四划分区域是否满足预设条件的三种情形，具备选择性和可实现性。
在一种可能的设计中，该第一划分区域至该第四划分区域中的任意一个划分区域包括：圆形区域、矩形区域、正方形区域、梯形区域、多边形区域以及不规则形状区域中的任意一种封闭区域。
在本申请上述实施方式中，并不限定各种划分区域的形状，这样使得本申请实施例在实现方式上，可以更加灵活。
在一种可能的设计中，本申请所述的环境感知系统，可应用于各种智能行驶的智能体上，该智能行驶的智能体可以是自动驾驶车辆(如，智能汽车、智能网联汽车等)，也可以是辅助驾驶车辆，具体此处不做限定。
在本申请上述实施方式中，阐述了几种环境感知系统可应用的场景，具备可实现性。
需要说明的是，图23对应实施例所述的环境感知系统中各模块/单元之间的信息交互、执行过程等内容，与本申请中图8对应的方法实施例基于同一构思，具体内容可参见本申请前述所示的方法实施例中的叙述，此处不再赘述。
此外，本申请实施例还提供一种自动驾驶车辆，结合上述对图6以及图7的描述，请参阅图24，图24为本申请实施例提供的自动驾驶车辆的一种结构示意图，其中，自动驾驶车辆2400上可以部署有图23对应实施例中所描述的环境感知系统(图24中未示意出)，用于实现图8对应实施例所述的各种功能。由于在部分实施例中，自动驾驶车辆2400还可以包括通信功能，则自动驾驶车辆2400除了包括图7中所示的组件，还可以包括：接收器2401和发射器2402，其中，处理器243可以包括应用处理器2431和通信处理器2432。在本申请的一些实施例中，接收器2401、发射器2402、处理器243和存储器244可通过总线或其它方式连接。
处理器243控制自动驾驶车辆的操作。具体的应用中，自动驾驶车辆2400的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
接收器2401可用于接收输入的数字或字符信息，以及产生与自动驾驶车辆的相关设置以及功能控制有关的信号输入。发射器2402可用于通过第一接口输出数字或字符信息；发射器2402还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器2402还可以包括显示屏等显示设备。
本申请实施例中，应用处理器2431，用于执行图8对应实施例中的激光点云的处理方法。具体地，应用处理器2431用于执行如下步骤：首先，对获取到的当前帧的激光点云进行聚类(如，通过DFS算法在OGM中对激光点云进行聚类)，从而得到粗分类的N个初始聚类簇，并且可进一步通过预设神经网络(如，PointSeg网络、DeepSeg网络等)对该激光点云进行语义分割，以得到该激光点云内的每个激光点云对应的类别标签，最后，针对这N个初始聚类簇中的任意一个初始聚类簇(可称为第一初始聚类簇)，查询其中各个激光点对应的类别标签，并根据查询到的类别标签的情况对各个初始聚类簇进行再处理(如，再分割、合并等)，得到目标聚类簇，其中，一个目标聚类簇就对应一个目标物体。
在一种可能的设计中，应用处理器2431具体用于：当该第一初始聚类簇内各个激光点对应的类别标签存在至少两个，则按预设方法对该第一初始聚类簇进行再处理，得到与该第一初始聚类簇对应的至少一个目标聚类簇。
在一种可能的设计中，应用处理器2431具体还用于：将该第一初始聚类簇按照激光点对应的类别标签进行划分，得到多个划分区域，其中，该多个划分区域中的任意一个划分区域为以预设的圈定方式将该第一初始聚类簇中属于同一类别标签的激光点圈定在一起的区域，之后，再获取该多个划分区域中第一划分区域与第二划分区域之间的交点数量，并根据该交点数量对该第一初始聚类簇进行分割，得到与该第一初始聚类簇对应的至少一个目标聚类簇。
在一种可能的设计中，应用处理器2431具体还用于：当该第一划分区域与该第二划分区域之间的交点数量为0，且该第二划分区域为该第一划分区域的子集，则认为第二划分区域中的激光点是误分类点，此时认为该第一划分区域与第二划分区域之间不存在欠分割情况，则将该第一划分区域作为一个目标聚类簇。
在一种可能的设计中，应用处理器2431具体还用于：当该第一划分区域与该第二划分区域之间的交点数量为2，则认为该第一划分区域与第二划分区域之间存在欠分割的情况，处理的方式就是以交点之间的连接线作为分界线，将该第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
在一种可能的设计中，应用处理器2431具体还用于：当该第一划分区域与该第二划分区域之间的交点数量为4，且第一交点和第二交点之间的连线将该第一划分区域分为第一部分和第二部分，且该第一部分所包含的激光点数量大于该第二部分所包含的激光点数量，则认为第二部分所包含的激光点为误分类点，此时对该第一划分区域重新划分，得到第三划分区域，该第三划分区域就为仅包括该第一部分内各个激光点的区域，之后，再按照上述交点数量为2类似的方式对该第一初始聚类簇进行再分割，即以该第二划分区域与该第三划分区域之间的两个交点之间的连线为分界线，将该第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
在一种可能的设计中，应用处理器2431具体还用于：当N个初始聚类簇中存在至少两个初始聚类簇内的各个激光点对应的类别标签为同一个，且上述至少两个初始聚类簇所构成的第四划分区域满足预设条件，则将该至少两个初始聚类合并为一个目标聚类簇。
在一种可能的设计中，该至少两个初始聚类簇所构成的第四划分区域满足预设条件包括：该至少两个初始聚类簇所构成的第四划分区域的大小在预设尺寸范围内，其中，该预设尺寸范围为该至少两个初始聚类簇内各个激光点对应的类别标签所标识的目标物体的实际尺寸；和/或，该至少两个初始聚类簇所构成的该第四划分区域的朝向角度与该至少两个初始聚类簇中的第一初始聚类簇的朝向角度的差值在预设角度范围内。
在一种可能的设计中，该第一划分区域至该第四划分区域中的任意一个划分区域包括：圆形区域、矩形区域、正方形区域、梯形区域、多边形区域以及不规则形状区域中的任意一种封闭区域。
需要说明的是，对于应用处理器2431执行激光点云的处理方法的具体实现方式以及带来的有益效果，均可以参考图8对应的方法实施例中的叙述，此处不再一一赘述。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于处理激光点云的程序，当其在计算机上运行时，使得计算机执行如前述图8所示实施例描述的方法中相关系统所执行的步骤。
本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述图8所示实施例描述的方法中相关系统所执行的步骤。
本申请实施例中还提供一种电路系统，所述电路系统包括处理电路，所述处理电路配置为执行如前述图8所示实施例描述的方法中相关系统所执行的步骤。
还需要说明的是，本申请实施例提供的相关系统(如，图6所述的环境感知系统)或自动驾驶车辆具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使服务器内的芯片执行上述图8所示实施例描述的激光点云的处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。
另外，还需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CLU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (23)

1.一种激光点云的处理方法，其特征在于，包括：
对获取到的当前帧的激光点云进行聚类，得到粗分类的N个初始聚类簇，其中N≥1；
对所述激光点云进行语义分割，得到所述激光点云内每个激光点对应的类别标签，所述类别标签用于表示所述激光点云中每个激光点所属的分类类别；
查询第一初始聚类簇内各个激光点对应的类别标签，并根据所述第一初始聚类簇内各个激光点对应的类别标签对所述第一初始聚类簇进行再处理，得到目标聚类簇，一个目标聚类簇对应一个目标物体，所述第一初始聚类簇为所述N个初始聚类簇中的一个。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一初始聚类簇内各个激光点对应的类别标签对所述第一初始聚类簇进行再处理，得到目标聚类簇包括：
当所述第一初始聚类簇内各个激光点对应的类别标签存在至少两个，则按预设方法对所述第一初始聚类簇进行分割，得到与所述第一初始聚类簇对应的至少一个目标聚类簇。
3.根据权利要求2所述的方法，其特征在于，所述按预设方法对所述第一初始聚类簇进行分割，得到与所述第一初始聚类簇对应的至少一个目标聚类簇包括：
将所述第一初始聚类簇按照激光点对应的类别标签进行划分，得到多个划分区域，其中，所述多个划分区域中的任意一个划分区域为：以预设的圈定方式将所述初始聚类簇中属于同一类别标签的激光点圈定在一起的区域；
获取所述多个划分区域中第一划分区域与第二划分区域之间的交点数量，并根据所述交点数量对所述第一初始聚类簇进行分割，得到与所述第一初始聚类簇对应的至少一个目标聚类簇。
4.根据权利要求3所述的方法，其特征在于，所述根据所述交点数量对所述第一初始聚类簇进行分割，得到与所述第一初始聚类簇对应的至少一个目标聚类簇包括：
当所述交点数量为2，则以两个交点之间的连线为分界线，将所述第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
5.根据权利要求3所述的方法，其特征在于，所述根据所述交点数量对所述第一初始聚类簇进行分割，得到与所述第一初始聚类簇对应的至少一个目标聚类簇包括：
当所述交点数量为4，且第一交点和第二交点之间的连线将所述第一划分区域分为第一部分和第二部分，则对所述第一划分区域重新划分，得到第三划分区域，其中，所述第一部分所包含的激光点数量大于所述第二部分所包含的激光点数量，所述第三划分区域为仅包括所述第一部分内各个激光点的区域；
以所述第二划分区域与所述第三划分区域之间的两个交点之间的连线为分界线，将所述第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一初始聚类簇内各个激光点对应的类别标签对所述第一初始聚类簇进行再处理，得到目标聚类簇包括：
当所述第一初始聚类簇内各个激光点对应的类别标签存在至少两个，则将所述第一初始聚类簇按照激光点对应的类别标签进行划分，得到多个划分区域，其中，所述多个划分区域中的任意一个划分区域为：以预设的圈定方式将所述初始聚类簇中属于同一类别标签的激光点圈定在一起的区域；
若所述多个划分区域中的第一划分区域与第二划分区域之间的交点数量为0，且所述第二划分区域为所述第一划分区域的子集，则所述第一划分区域与所述第二划分区域对应于同一个目标聚类簇。
7.根据权利要求2-6中任一项所述的方法，其特征在于，所述方法还包括：
当所述N个初始聚类簇中存在至少两个初始聚类簇内各个激光点对应的类别标签为同一个，且所述至少两个初始聚类簇所构成的第四划分区域满足预设条件，则将所述至少两个初始聚类合并为一个目标聚类簇。
8.根据权利要求7所述的方法，其特征在于，所述至少两个初始聚类簇所构成的第四划分区域满足预设条件包括：
所述至少两个初始聚类簇所构成的第四划分区域的大小在预设尺寸范围内，其中，所述预设尺寸范围为所述至少两个初始聚类簇内各个激光点对应的类别标签所标识的目标物体的实际尺寸；
和/或，
所述至少两个初始聚类簇所构成的所述第四划分区域的朝向角度与所述至少两个初始聚类簇中的第一初始聚类簇的朝向角度的差值在预设角度范围内。
9.根据权利要求1-8中任一项所述的方法，其特征在于，所述第一划分区域至所述第四划分区域中的任意一个划分区域包括：
圆形区域、矩形区域、正方形区域、梯形区域、多边形区域以及不规则形状区域中的任意一种封闭区域。
10.一种环境感知系统，其特征在于，包括：
聚类模块，用于对获取到的当前帧的激光点云进行聚类，得到粗分类的N个初始聚类簇，其中N≥1；
语义分割模块，用于对所述激光点云进行语义分割，得到所述激光点云内每个激光点对应的类别标签，所述类别标签用于表示所述激光点云中每个激光点所属的分类类别；
再处理模块，用于查询所述第一初始聚类簇内各个激光点对应的类别标签，并根据所述第一初始聚类簇内各个激光点对应的类别标签对所述第一初始聚类簇进行再处理，得到目标聚类簇，一个目标聚类簇对应一个目标物体。
11.根据权利要求10所述的系统，其特征在于，所述再处理模块，具体用于：
当所述第一初始聚类簇内各个激光点对应的类别标签存在至少两个，则按预设方法对所述第一初始聚类簇进行分割，得到与所述第一初始聚类簇对应的至少一个目标聚类簇。
12.根据权利要求11所述的系统，其特征在于，所述再处理模块，具体还用于：
将所述第一初始聚类簇按照激光点对应的类别标签进行划分，得到多个划分区域，其中，所述多个划分区域中的任意一个划分区域为：以预设的圈定方式将所述初始聚类簇中属于同一类别标签的激光点圈定在一起的区域；
获取所述多个划分区域中第一划分区域与第二划分区域之间的交点数量，并根据所述交点数量对所述第一初始聚类簇进行分割，得到与所述第一初始聚类簇对应的至少一个目标聚类簇。
13.根据权利要求12所述的系统，其特征在于，所述再处理模块，具体还用于：
当所述交点数量为2，则以两个交点之间的连线为分界线，将所述第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
14.根据权利要求12所述的系统，其特征在于，所述再处理模块，具体还用于：
当所述交点数量为4，且第一交点和第二交点之间的连线将所述第一划分区域分为第一部分和第二部分，则对所述第一划分区域重新划分，得到第三划分区域，其中，所述第一部分所包含的激光点数量大于所述第二部分所包含的激光点数量，所述第三划分区域为仅包括所述第一部分内各个激光点的区域；
以所述第二划分区域与所述第三划分区域之间的两个交点之间的连线为分界线，将所述第一初始聚类簇分割为至少两个目标聚类簇，其中，每个目标聚类簇对应一个类别标签。
15.根据权利要求10所述的系统，其特征在于，所述再处理模块，具体还用于：
当所述第一初始聚类簇内各个激光点对应的类别标签存在至少两个，则将所述第一初始聚类簇按照激光点对应的类别标签进行划分，得到多个划分区域，其中，所述多个划分区域中的任意一个划分区域为：以预设的圈定方式将所述初始聚类簇中属于同一类别标签的激光点圈定在一起的区域；
若所述多个划分区域中的第一划分区域与第二划分区域之间的交点数量为0，且所述第二划分区域为所述第一划分区域的子集，则所述第一划分区域与所述第二划分区域对应于同一个目标聚类簇。
16.根据权利要求11-15中任一项所述的系统，其特征在于，所述再处理模块，具体还用于：
当所述N个初始聚类簇中存在至少两个初始聚类簇内各个激光点对应的类别标签为同一个，且所述至少两个初始聚类簇所构成的第四划分区域满足预设条件，则将所述至少两个初始聚类合并为一个目标聚类簇。
17.根据权利要求16所述的系统，其特征在于，所述至少两个初始聚类簇所构成的第四划分区域满足预设条件包括：
所述至少两个初始聚类簇所构成的第四划分区域的大小在预设尺寸范围内，其中，所述预设尺寸范围为所述至少两个初始聚类簇内各个激光点对应的类别标签所标识的目标物体的实际尺寸；
和/或，
所述至少两个初始聚类簇所构成的所述第四划分区域的朝向角度与所述至少两个初始聚类簇中的第一初始聚类簇的朝向角度的差值在预设角度范围内。
18.根据权利要求10-17中任一项所述的系统，其特征在于，所述第一划分区域至所述第四划分区域中的任意一个划分区域包括：
圆形区域、矩形区域、正方形区域、梯形区域、多边形区域以及不规则形状区域中的任意一种封闭区域。
19.根据权利要求10-18中任一项所述的系统，其特征在于，所述系统应用于智能行驶的智能体。
20.根据权利要求19所述的系统，其特征在于，所述智能行驶的智能体包括：自动驾驶车辆。
21.一种自动驾驶车辆，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1至9中任一项所述的方法。
22.一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1至9中任一项所述的方法。
23.一种电路系统，其特征在于，所述电路系统包括处理电路，所述处理电路配置为执行如权利要求1至9中任一项所述的方法。
CN202010449480.5A 2020-05-25 2020-05-25 一种激光点云的处理方法及相关设备 Active CN113792566B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010449480.5A CN113792566B (zh) 2020-05-25 2020-05-25 一种激光点云的处理方法及相关设备
PCT/CN2021/076816 WO2021238306A1 (zh) 2020-05-25 2021-02-19 一种激光点云的处理方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010449480.5A CN113792566B (zh) 2020-05-25 2020-05-25 一种激光点云的处理方法及相关设备

Publications (2)

Publication Number Publication Date
CN113792566A true CN113792566A (zh) 2021-12-14
CN113792566B CN113792566B (zh) 2024-05-17

Family

ID=78745567

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010449480.5A Active CN113792566B (zh) 2020-05-25 2020-05-25 一种激光点云的处理方法及相关设备

Country Status (2)

Country Link
CN (1) CN113792566B (zh)
WO (1) WO2021238306A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114639024A (zh) * 2022-03-03 2022-06-17 江苏方天电力技术有限公司 一种输电线路激光点云自动分类方法
CN115512099A (zh) * 2022-06-10 2022-12-23 探维科技(北京)有限公司 一种激光点云数据处理方法及装置

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114445415A (zh) * 2021-12-14 2022-05-06 中国科学院深圳先进技术研究院 可行驶区域的分割方法以及相关装置
CN115079168B (zh) * 2022-07-19 2022-11-22 陕西欧卡电子智能科技有限公司 基于激光雷达与毫米波雷达融合的建图方法、装置及设备
CN115985122A (zh) * 2022-10-31 2023-04-18 内蒙古智能煤炭有限责任公司 无人驾驶系统感知方法
CN115469292B (zh) * 2022-11-01 2023-03-24 天津卡尔狗科技有限公司 环境感知方法、装置、电子设备和存储介质
CN115719354B (zh) * 2022-11-17 2024-03-22 同济大学 基于激光点云提取立杆的方法与装置
CN116755441B (zh) * 2023-06-19 2024-03-12 国广顺能(上海)能源科技有限公司 移动机器人的避障方法、装置、设备及介质
CN117472595B (zh) * 2023-12-27 2024-03-22 苏州元脑智能科技有限公司 资源分配方法、装置、车辆、电子设备以及存储介质
CN117830140B (zh) * 2024-03-04 2024-05-10 厦门中科星晨科技有限公司 无人驾驶控制系统用雾天点云的去噪方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110802A (zh) * 2019-05-14 2019-08-09 南京林业大学 基于高阶条件随机场的机载激光点云分类方法
US20190258251A1 (en) * 2017-11-10 2019-08-22 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
CN110275516A (zh) * 2018-03-13 2019-09-24 本田技研工业株式会社 通过移除动态交通参与者的稳健的即时定位和地图构建

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840454B (zh) * 2017-11-28 2021-01-29 华为技术有限公司 目标物定位方法、装置、存储介质以及设备
WO2019168869A1 (en) * 2018-02-27 2019-09-06 Nvidia Corporation Real-time detection of lanes and boundaries by autonomous vehicles
CN110136182B (zh) * 2019-05-28 2021-06-04 北京百度网讯科技有限公司 激光点云与2d影像的配准方法、装置、设备和介质
CN110264468B (zh) * 2019-08-14 2019-11-19 长沙智能驾驶研究院有限公司 点云数据标注、分割模型确定、目标检测方法及相关设备
CN111126182B (zh) * 2019-12-09 2022-09-20 苏州智加科技有限公司 车道线检测方法、装置、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190258251A1 (en) * 2017-11-10 2019-08-22 Nvidia Corporation Systems and methods for safe and reliable autonomous vehicles
CN110275516A (zh) * 2018-03-13 2019-09-24 本田技研工业株式会社 通过移除动态交通参与者的稳健的即时定位和地图构建
CN110110802A (zh) * 2019-05-14 2019-08-09 南京林业大学 基于高阶条件随机场的机载激光点云分类方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114639024A (zh) * 2022-03-03 2022-06-17 江苏方天电力技术有限公司 一种输电线路激光点云自动分类方法
CN115512099A (zh) * 2022-06-10 2022-12-23 探维科技(北京)有限公司 一种激光点云数据处理方法及装置

Also Published As

Publication number Publication date
WO2021238306A1 (zh) 2021-12-02
CN113792566B (zh) 2024-05-17

Similar Documents

Publication Publication Date Title
CN113792566B (zh) 一种激光点云的处理方法及相关设备
JP7255782B2 (ja) 障害物回避方法、障害物回避装置、自動運転装置、コンピュータ可読記憶媒体及びプログラム
US20220332348A1 (en) Autonomous driving method, related device, and computer-readable storage medium
WO2021103511A1 (zh) 一种设计运行区域odd判断方法、装置及相关设备
US20220215639A1 (en) Data Presentation Method and Terminal Device
CN112512887B (zh) 一种行驶决策选择方法以及装置
WO2021147748A1 (zh) 一种自动驾驶方法及相关设备
WO2021189210A1 (zh) 一种车辆换道方法及相关设备
WO2022142839A1 (zh) 一种图像处理方法、装置以及智能汽车
CN112543877B (zh) 定位方法和定位装置
US20240017719A1 (en) Mapping method and apparatus, vehicle, readable storage medium, and chip
JP2023534406A (ja) 車線境界線を検出するための方法および装置
CN112810603B (zh) 定位方法和相关产品
CN115147796A (zh) 评测目标识别算法的方法、装置、存储介质及车辆
CN114842075A (zh) 数据标注方法、装置、存储介质及车辆
CN114255275A (zh) 一种构建地图的方法及计算设备
CN115100630B (zh) 障碍物检测方法、装置、车辆、介质及芯片
US20220309806A1 (en) Road structure detection method and apparatus
CN112829762A (zh) 一种车辆行驶速度生成方法以及相关设备
CN115508841A (zh) 一种路沿检测的方法和装置
CN115082886B (zh) 目标检测的方法、装置、存储介质、芯片及车辆
CN115407344B (zh) 栅格地图创建方法、装置、车辆及可读存储介质
CN115063639B (zh) 生成模型的方法、图像语义分割方法、装置、车辆及介质
WO2024113207A1 (zh) 一种数据处理方法以及装置
CN117274944A (zh) 使用机器学习的道路对象的联合检测和分组

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant