CN113838196A - 点云数据的处理方法、装置、设备及存储介质 - Google Patents

Abstract

本公开实施例涉及一种点云数据的处理方法、装置、设备及存储介质，其中该方法包括：获取自动驾驶车辆的定位位置以及该定位位置周围的点云数据；基于高精地图和获取到的定位位置，确定自动驾驶车辆所处环境的环境类型；在轮转模型中选择与环境类型相匹配的点云检测模型，对定位位置周围的点云数据进行处理。本公开实施例提供的方案能够从整体上缩短点云数据处理的时间，提高处理效率。

Description

点云数据的处理方法、装置、设备及存储介质

技术领域

本公开实施例涉及智能驾驶技术领域，尤其涉及一种点云数据的处理方法、装置、设备及存储介质。

背景技术

自动驾驶的感知系统作为一个实时运行的系统，对于算法执行效率、稳定性、实时性都有很高的要求。感知算法的实时性会直接影响到下游的决策、规划、控制。因此，在确保感知效果不退化的前提下压缩感知算法的运行时间具有十分重要的意义。

但是，目前感知算法中的点云检测仍然具有耗时较高的问题，对算法的实时性和效率影响较大，因此，如何在确保算法准确性的同时，减少点云检测的耗时是当前亟需解决的技术问题。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种点云数据的处理方法、装置、设备及存储介质。

本公开实施例的第一方面提供了一种点云数据的处理方法，该方法包括：获取自动驾驶车辆的定位位置以及该定位位置周围的点云数据；基于高精地图和获取到的定位位置，确定自动驾驶车辆所处环境的环境类型；在轮转模型中选择与环境类型相匹配的点云检测模型，对定位位置周围的点云数据进行处理。

本公开实施例的第二方面提供了一种点云数据的处理装置，该装置，包括：

获取模块，用于获取自动驾驶车辆的定位位置以及该定位位置周围的点云数据；

确定模块，用于基于高精地图和获取到的定位位置，确定自动驾驶车辆所处环境的环境类型；

处理模块，用于在轮转模型中选择与环境类型相匹配的点云检测模型，对定位位置周围的点云数据进行处理。

本公开实施例的第三方面提供了一种车载设备，该车载设备包括存储器和处理器，其中，存储器中存储有计算机程序，当该计算机程序被处理器执行时，可以实现上述第一方面的方法。

本公开实施例的第四方面提供了一种计算机可读存储介质，该存储介质中存储有计算机程序，当该计算机程序被处理器执行时，可以实现上述第一方面的方法。

本公开实施例的第五方面提供了一种计算机程序产品，包括计算机程序，该计算机程序存储在计算机可读存储介质中，处理器从计算机可读存储介质中读取并执行该计算机程序，当计算机程序被该处理器执行时，该处理器执行上述第一方面的方法。

本公开实施例提供的技术方案与现有技术相比具有如下优点：

本公开实施例，通过在获取到自动驾驶车辆的定位位置和定位位置周围的点云数据后，基于高精地图和定位位置，确定自动驾驶车辆所处道路的道路类型，并从轮转模型中选择与环境类型相匹配的点云检测模型，对定位位置周围的点云数据进行处理。由于实际中对自动驾驶车辆运行影响较大的是道路区域内的目标，而远离道路区域或者与自动驾驶车辆不会产生交互的目标则影响较小，因此，自动驾驶车辆一般对直道环境的感知范围要求较小，对弯道和路口等复杂环境的感知范围要求较大。在这种情况下，针对不同类型的环境采用检测范围相适应的点云检测模型进行点云数据检测，能够有效缩短点云数据处理的时间，提高处理效率。尤其是对于直道等对感知范围要求较小的环境来说，通过检测范围较小的点云检测模型对点云数据进行处理，能够显著降低自动驾驶车辆在直道上的点云处理时间，提高处理效率。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本公开实施例提供的点云数据处理方案的示意图；

图2是本公开实施例提供的一种点云数据的处理方法的流程图；

图3是本公开实施例提供的一种高精地图的示意图；

图4A是本公开实施例提供的一种道路类型的示意图；

图4B是本公开实施例提供的另一种道路类型的示意图；

图5是本公开实施例提供的一种确定道路类型的方法的流程图；

图6是本公开实施例提供的一种预设范围的示意图；

图7是本公开实施例提供的另一种确定道路类型的方法的流程图；

图8是本公开实施例提供的一种自动驾驶车辆的位置的示意图；

图9是本公开实施例提供的一种点云数据的处理装置的结构示意图；

图10是本公开实施例提供的一种车载设备的结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

针对点云检测耗时较长的问题，相关技术的解决方案主要有如下几种：

1、点云采样

相关技术提供的点云检测模型在对点云数据进行处理时，一般需要对点云数据进行特征提取处理，点云数据的多少对检测耗时有直接影响，所以在相关技术的一种优化方式中，可以通过对点云数据进行采样来减少点云的数量，进而减少点云处理的时间，但是这种优化方式会在一定程度上造成点云信息的丢失，导致点云检测的准确率下降。

2、模型剪枝和量化

模型剪枝是通过减少模型的特征层来缩减模型的参数量，进而缩减模型的运行时间。模型量化是在模型部署的时候对模型参数进行int8量化，这种方式被广泛应用于线上模型的部署中。这两种优化方式能够有效减少模型的运行时间，但是也会带来不同程度的精度损失。

针对相关技术存在的上述问题，本公开实施例提供了一种点云数据的处理方案。图1是本公开实施例提供的点云数据处理方案的示意图。如图1所示，本公开实施例中预先设置有n（n为大于或等2的整数）个检测范围不同的点云检测模型。根据每个点云检测模型的检测范围以及不同类型的环境对模型检测范围的不同需求，预先建立了点云检测模型与环境类型（环境类型包括道路类型，比如，直道、弯道和路口等但不局限于直道、弯道和路口）之间的对应关系，比如将检测范围较小的点云检测模型与对检测范围要求较小的环境类型（比如直道）进行对应，将检测范围较大的点云检测模型与对检测范围要求较大的环境类型（比如弯道或路口）进行对应。在实际应用场景中，这些点云检测模型会根据实际场景中的环境类型轮转使用。具体的，可以先基于高精地图和自动驾驶车辆的定位位置，确定自动驾驶车辆所处环境的环境类型，然后，再基于环境类型，采用相对应的点云检测模型对定位位置周围的点云数据进行处理。从而通过在不同类型的环境上采用不同检测范围的点云检测模型的方式，整体上降低了点云处理的耗时，显著的降低了诸如直道等对检测范围要求较低的环境的点云检测耗时，提高了点云的处理效率。

下面结合示例性的实施例对本公开实施例的方案进行说明。

图2是本公开实施例提供的一种点云数据的处理方法的流程图。该方法可以由一种处理装置来执行，该处理装置可以被理解为一种具有计算和处理功能的设备（比如车机、服务器等，但不局限于车机和服务器）或者设备中的部分功能模块。如图2所示，该方法可以包括如下步骤：

步骤201、获取自动驾驶车辆的定位位置以及该定位位置周围的点云数据。

本公开实施例中的自动驾驶车辆可以理解为搭载有上述处理装置的设备，自动驾驶车辆上可以搭载自动驾驶系统和/或辅助驾驶系统。

本公开实施例所称的自动驾驶车辆上可以搭载有定位系统和数据采集装置，其中，定位系统可以包括北斗导航定位系统、GPS定位系统、伽利略定位系统中的至少一种。数据采集装置可以包括雷达、摄像头中的至少一种。

在本公开实施例的一种实施方式中，自动驾驶车辆的定位位置可以通过自动驾驶车辆上搭载的定位系统定位得到。在自动驾驶车辆上搭载有雷达时，定位位置周围的点云数据可以自动驾驶车辆上的雷达采集得到。或者，在自动驾驶车辆上搭载有摄像头时，定位位置周围的点云数据还可以通过对摄像头采集的图像进行点云重建得到。

需要说明的是，上述获取定位位置和点云数据的方法仅是示例性的方法，而不是唯一方法。实际上任何可用于获取自动驾驶车辆的定位位置和定位位置周围的点云数据的方法均可以被应用到本公开实施例中，而不必局限于某一种或几种特定的方法。

步骤202、基于高精地图和自动驾驶车辆的定位位置，确定自动驾驶车辆所处环境的环境类型。

其中，本公开实施例所称的高精地图可以是三维地图也可以是二维地图。

在本公开实施例中，环境类型可以理解为环境中包括的道路的道路类型。本公开实施例的高精地图中包括各位置处的环境信息，比如道路类型，红绿灯位置，道路名称以及道路上各点对应的世界坐标等信息。

其中，本公开实施例中所称的道路类型可以根据需要进行划分，这里为了便于理解，示例性的可以将道路类型划分为直道和非直道，其中非直道可以包括弯道和路口。

示例的，图3是本公开实施例提供的一种高精地图的示意图。图3中的黑色圆点为自动驾驶车辆的定位位置在高精地图上的映射点。如图3所示，在本公开实施例的一个实施方式中，在得到自动驾驶车辆的定位位置G后，可以先基于高精地图上各点对应的世界坐标的信息，将定位位置G映射到高精地图上，然后根据定位位置在高精地图上的映射位置G’，确定得到自动驾驶车辆所在的道路(在图3中为道路a)，以及该道路所属的道路类型。当然图3仅是一种示例说明而不是对本公开实施例的唯一限定。

步骤203、在轮转模型中选择与环境类型相匹配的点云检测模型，对定位位置周围的点云数据进行处理。

在本公开实施例中，预先设置有多个检测范围不同的点云检测模型，这些点云检测模型的模型结构和类型可以相同，也可以不同。

考虑到实际场景中自动驾驶车辆在不同道路上需要的检测范围不同，本公开实施例还根据各点云检测模型的检测范围以及自动驾驶车辆对各类型道路的检测范围的需求，预先建立了点云检测模型和道路类型的对应关系。在得到自动驾驶车辆所处道路的道路类型之后，可以根据该对应关系直接获取检测范围与该道路类型相匹配的点云检测模型，并基于该模型对当前定位位置周围的点云数据进行处理。比如，在直道时，可以从轮转模型中选择与直道相匹配的第一点云检测模型对定位位置周围的点云数据进行处理；在弯道时，从轮转模型中选择与弯道相匹配的第二点云检测模型对定位位置周围的点云数据进行处理；在路口时，从轮转模型中选择与路口相匹配的第三点云检测模型对定位位置周围的点云数据进行处理，其中，第一点云检测模型的检测范围小于第二点云检测模型和第三点云检测模型的检测范围;和/或，

第二点云检测模型与第三点云检测模型为相同或不同的点云检测模型。

举例来说，图4A是本公开实施例提供的一种道路类型的示意图，图4B是本公开实施例提供的另一种道路类型的示意图，其中，图4A和图4B中的虚线框可以理解为自动驾驶车辆在该道路上对检测范围的需求，或者也可以理解与该道路相匹配的点云检测模型的检测范围。如图4A和图4B所示，自动驾驶车辆在图4A所示的直道上可以采用检测范围较小的第一点云检测模型对当前定位位置周围的点云数据进行处理；自动驾驶车辆在图4B所示的路口上可以采用检测范围较大的第二点云检测模型（第二点云检测模型的检测范围大于第一点云检测模型）对当前定位位置周围的点云数据进行处理。通过在对检测范围要求较小的道路上采用检测范围较小的点云检测模型进行点云检测，在对检测范围要求较大的道路上采用检测范围较大的点云检测模型进行点云检测，能够降低点云检测的总体耗时，提高检测效率。

本公开实施例，通过在获取到自动驾驶车辆的定位位置和定位位置周围的点云数据后，基于高精地图和定位位置，确定自动驾驶车辆所处道路的道路类型，并从轮转模型中选择与环境类型相匹配的点云检测模型，对定位位置周围的点云数据进行处理。由于实际中对自动驾驶车辆运行影响较大的是道路区域内的目标，而远离道路区域或者与自动驾驶车辆不会产生交互的目标则影响较小，因此，自动驾驶车辆一般对直道环境的感知范围要求较小，对弯道和路口等复杂环境的感知范围要求较大。在这种情况下，针对不同类型的环境采用检测范围相适应的点云检测模型进行点云数据检测，能够有效缩短点云数据处理的时间，提高处理效率。尤其是对于直道等对感知范围要求较小的环境来说，通过检测范围较小的点云检测模型对点云数据进行处理，能够显著降低自动驾驶车辆在直道上的点云处理时间，提高处理效率。

图5是本公开实施例提供的一种确定道路类型的方法的流程图。如图5所示，在本公开实施例的一种实施方式中，可以通过如下方法确定得到自动驾驶车辆所处环境的环境类型：

步骤501、基于自动驾驶车辆的定位位置，从高精地图中获取该定位位置周围预设范围内的环境信息，环境信息中至少包括道路类型。

步骤502、基于获取到的环境信息，确定得到自动驾驶车辆所处环境的道路类型。

在本实施例中可以将自动驾驶车辆所处位置的道路类型，理解为所处位置的环境类型。本公开实施例所称的预设范围的大小，以及预设范围相对于自动驾驶车辆的位置可以根据需要进行设定。比如，图6是本公开实施例提供的一种预设范围的示意图，如图6所示，在本公开实施例的一种示例性的设置方式中，预设范围至少可以包括两个子区域范围，其中子区域范围61为以自动驾驶车辆为中心的区域范围，子区域范围62可以为自动驾驶车辆前进方向上即将通过的区域范围。此时高精地图中获取到的环境信息包括子区域范围61中的道路类型和子区域范围62中的道路类型。在判断自动驾驶车辆的道路的类型时，如果两个子区域范围中的道路都是相同类型的道路，则可以确定自动驾驶车辆所处道路的道路类型为该相同类型的道路，比如，子区域范围61和子区域范围62中的道路都是直道，则自动驾驶车辆所处道路的道路类型可以确定为直道。如果两个子区域中的道路是不同类型的道路，则将自动驾驶车辆所处道路的道路类型确定为两种道路中要求检测范围较大的那个道路对应的道路类型，比如，假设子区域范围61中的道路为直道，子区域范围62中的道路为弯道或/和路口，则可以相应的将自动驾驶车辆所处道路的道路类型确定为弯道或路口。也就是说，在定位位置的预设范围内覆盖多种道路类型，且多种道路类型中包括直道、弯道和/或路口时，可以相应的将自动驾驶车辆所处环境的道路类型确定为弯道或路口。

当然上述仅是以图6进行的示例性说明，而不是对本公开实施例的唯一限定。

本公开实施例通过，在定位位置的预设范围内包括多种道路类型，将多种道路中要求检测范围最大的那个道路对应的道路类型确定为自动驾驶车辆所处道路的道路类型，能够防止模型切换不及时导致安全问题，提高了自动驾驶车辆运行的安全性。

图7是本公开实施例提供的另一种确定道路类型的方法的流程图。如图7所示，在本公开实施例的又一种实施方式中，还可以通过如下方法确定得到自动驾驶车辆所处道路的道路类型：

步骤701、基于自动驾驶车辆的定位位置，从高精地图中获取该定位位置处的道路类型。

步骤702、将该定位位置处的道路类型，确定为自动驾驶车辆所处道路的道路类型。

举例来说，图8是本公开实施例提供的一种自动驾驶车辆的位置的示意图。其中，图8中的黑色圆点即为本公开实施例所称的自动驾驶车辆在道路上的位置。如图8所示，在本公开实施例的一种可行的实施方式中，可以基于高精地图获取该位置处的道路类型，并将该位置的道路类型确定为自动驾驶车辆所处道路的道路类型，比如，图8中的黑色圆点的位置位于十字路口上，所以根据该点的道路类型可以将自动驾驶车辆所处的道路类型确定为路口。当然，图8仅是示例说明而不是唯一限定。

本公开实施例通过将自动驾驶车辆定位位置处的道路类型确定为自动驾驶车辆所处道路的道路类型，能够确保自动驾驶车辆当前位置的道路类型的准确性，提高当前位置点云检测的准确性和时间经济性。

图9是本公开实施例提供的一种点云数据的处理装置的结构示意图。如图9所示，该处理装置90包括：

获取模块91，用于获取自动驾驶车辆的定位位置以及所述定位位置周围的点云数据；

确定模块92，用于基于高精地图和所述定位位置，确定所述自动驾驶车辆所处环境的环境类型；

处理模块93，用于在轮转模型中选择与所述环境类型相匹配的点云检测模型，对所述定位位置周围的点云数据进行处理。

在一种实施方式中，确定模块92可以包括：

第一获取子模块，用于基于所述定位位置，从所述高精地图中获取所述定位位置周围预设范围内的环境信息，所述环境信息中至少包括道路类型；

第一确定子模块，用于基于所述环境信息，确定所述自动驾驶车辆所处环境的道路类型。

在一种实施方式中，第一确定子模块，用于基于所述环境信息，确定所述定位位置预设范围内覆盖的道路类型；响应于所述预设范围内覆盖多种道路类型，且所述多种道路类型中包括直道、弯道、和/或，路口，则相应的将所述自动驾驶车辆所处环境的道路类型确定为弯道或路口。

在一种实施方式中，确定模块92可以包括：

第二获取子模块，用于基于所述定位位置，从所述高精地图中获取所述定位位置处的道路类型；

第二确定子模块，用于将所述定位位置处的道路类型，确定为所述自动驾驶车辆所处道路的道路类型。

在一种实施方式中，处理模块93，用于响应于所述自动驾驶车辆所处环境的道路类型为直道，则在所述轮转模型中选择与所述直道相匹配的第一点云检测模型对所述定位位置周围的点云数据进行处理；响应于所述自动驾驶车辆所处环境的道路类型为弯道，则在所述轮转模型中选择与所述弯道相匹配的第二点云检测模型对所述定位位置周围的点云数据进行处理；响应于所述自动驾驶车辆所处环境的道路类型为路口，则在所述轮转模型中选择与所述路口相匹配的第三点云检测模型对所述定位位置周围的点云数据进行处理。

本实施例提供的装置能够执行上述图1-图8中任一实施例的方法，其执行方式和有益效果类似，在这里不再赘述。

本公开实施例还提供一种车载设备，该车载设备包括处理器和存储器，其中，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时可以实现上述图1-图8中任一实施例的方法。本公开实施例提供的车载设备可以搭载在自动驾驶车辆上。该自动驾驶车辆除了本公开实施例的车载设备以外还可以包括其他算法模块。当然，根据自动驾驶车辆类型的不同，这些算法模块也会有所不同。例如，对于物流车辆、公共服务车辆、医疗服务车辆、终端服务车辆会涉及不同的算法模块。下面分别针对这四种自动驾驶车辆对算法模块进行举例说明：

其中，物流车辆是指物流场景中使用的车辆，例如可以是带自动分拣功能的物流车辆、带冷藏保温功能的物流车辆、带测量功能的物流车辆。这些物流车辆会涉及不同算法模块。

例如，对于物流车辆，可以带有自动化的分拣装置，该分拣装置可以在物流车辆到达目的地后自动把货物取出并搬送、分拣、存放。这就涉及用于货物分拣的算法模块，该算法模块主要实现货物取出、搬运、分拣以及存放等逻辑控制。

又例如，针对冷链物流场景，物流车辆还可以带有冷藏保温装置，该冷藏保温装置可以实现运输的水果、蔬菜、水产品、冷冻食品以及其它易腐烂的食品进行冷藏或保温，使之处于合适的温度环境，解决易腐烂食品的长途运输问题。这就涉及用于冷藏保温控制的算法模块，该算法模块主要用于根据食品（或物品）性质、易腐性、运输时间、当前季节、气候等信息动态、自适应计算冷餐或保温的合适温度，根据该合适温度对冷藏保温装置进行自动调节，这样在车辆运输不同食品或物品时运输人员无需手动调整温度，将运输人员从繁琐的温度调控中解放出来，提高冷藏保温运输的效率。

又例如，在大多物流场景中，是根据包裹体积和/或重量进行收费的，而物流包裹的数量非常庞大，单纯依靠快递员对包裹体积和/或重量进行测量，效率非常低，人工成本较高。因此，在一些物流车辆中，增设了测量装置，可自动测量物流包裹的体积和/或重量，并计算物流包裹的费用。这就涉及用于物流包裹测量的算法模块，该算法模块主要用于识别物流包裹的类型，确定物流包裹的测量方式，如进行体积测量还是重量测量或者是同时进行体积和重量的组合测量，并可根据确定的测量方式完成体积和/或重量的测量，以及根据测量结果完成费用计算。

其中，公共服务车辆是指提供某种公共服务的车辆，例如可以是消防车、除冰车、洒水车、铲雪车、垃圾处理车辆、交通指挥车辆等。这些公共服务车辆会涉及不同算法模块。

例如，对于自动驾驶的消防车，其主要任务是针对火灾现场进行合理的灭火任务，这就涉及用于灭火任务的算法模块，该算法模块至少需要实现火灾状况的识别、灭火方案的规划以及对灭火装置的自动控制等逻辑。

又例如，对于除冰车，其主要任务是清除路面上结的冰雪，这就涉及除冰的算法模块，该算法模块至少需要实现路面上冰雪状况的识别、根据冰雪状况制定除冰方案，如哪些路段需要采取除冰，哪些路段无需除冰，是否采用撒盐方式、撒盐克数等，以及在确定除冰方案的情况下对除冰装置的自动控制等逻辑。

其中，医疗服务车辆是指能够提供一种或多种医疗服务的自动驾驶车辆，该种车辆可提供消毒、测温、配药、隔离等医疗服务，这就涉及提供各种自助医疗服务的算法模块，这些算法模块主要实现消毒需求的识别以及对消毒装置的控制，以使消毒装置为病人进行消毒，或者对病人位置的识别，控制测温装置自动贴近病人额头等位置为病人进行测温，或者，用于实现对病症的判断，根据判断结果给出药方并需要实现对药品/药品容器的识别，以及对取药机械手的控制，使之按药方为病人抓取药品，等等。

其中，终端服务车辆是指可代替一些终端设备面向用户提供某种便利服务的自助型的自动驾驶车辆，例如这些车辆可以为用户提供打印、考勤、扫描、开锁、支付、零售等服务。

例如，在一些应用场景中，用户经常需要到特定位置去打印或扫描文档，费时费力。于是，出现一种可以为用户提供打印/扫描服务的终端服务车辆，这些服务车辆可以与用户终端设备互联，用户通过终端设备发出打印指令，服务车辆响应打印指令，自动打印用户所需的文档并可自动将打印出的文档送至用户位置，用户无需去打印机处排队，可极大地提高打印效率。或者，可以响应用户通过终端设备发出的扫描指令，移动至用户位置，用户将待扫描的文档放置的服务车辆的扫描工具上完成扫描，无需到打印/扫描机处排队，省时省力。这就涉及提供打印/扫描服务的算法模块，该算法模块至少需要识别与用户终端设备的互联、打印/扫描指令的响应、用户位置的定位以及行进控制等。

又例如，随着新零售业务的开展，越来越多的电商借助于自助售货机将商品销售送到了各大办公楼、公共区，但这些自助售货机被放置在固定位置，不可移动，用户需要到该自助售货机跟前才能购买所需商品，便利性还是较差。于是出现了可提供零售服务的自助驾驶车辆，这些服务车辆可以承载商品自动移动，并可提供对应的自助购物类APP或购物入口，用户借助于手机等终端通过APP或购物入口可以向提供零售服务的自动驾驶车辆进行下单，该订单中包括待购买的商品名称、数量以及用户位置，该车辆收到下单请求之后，可以确定当前剩余商品是否具有用户购买的商品以及数量是否足够，在确定具有用户购买的商品且数量足够的情况下，可携带这些商品自动移动至用户位置，将这些商品提供给用户，进一步提高用户购物的便利性，节约用户时间，让用户将时间用于更为重要的事情上。这就涉及提供零售服务的算法模块，这些算法模块主要实现响应用户下单请求、订单处理、商品信息维护、用户位置定位、支付管理等逻辑。

图10是本公开实施例提供的一种车载设备的结构示意图。下面具体参考图10，其示出了适于用来实现本公开实施例中的车载设备1000的结构示意图。本公开实施例中的车载设备1000可以包括但不限于诸如车机、车载电脑等设备。

如图10所示，车载设备1000可以包括处理装置（例如中央处理器、图形处理器等）1001，其可以根据存储在只读存储器（ROM）1002中的程序或者从存储装置1008加载到随机访问存储器（RAM）1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有车载设备1000操作所需的各种程序和数据。处理装置1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出（I/O）接口1005也连接至总线1004。

通常，以下装置可以连接至I/O接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许车载设备1000与其他设备进行无线或有线通信以交换数据。虽然图10示出了具有各种装置的车载设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从ROM 1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述车载设备中所包含的；也可以是单独存在，而未装配入该车载设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该车载设备执行时，使得该车载设备：获取自动驾驶车辆的定位位置以及该定位位置周围的点云数据；基于高精地图和获取到的定位位置，确定自动驾驶车辆所处环境的环境类型；在轮转模型中选择与环境类型相匹配的点云检测模型，对定位位置周围的点云数据进行处理。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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）。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。

本公开实施例还提供一种计算机可读存储介质，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时可以实现上述图1-图8中任一实施例的方法，其执行方式和有益效果类似，在这里不再赘述。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种点云数据的处理方法，其特征在于，包括：

获取自动驾驶车辆的定位位置以及所述定位位置周围的点云数据；

基于高精地图和所述定位位置，确定所述自动驾驶车辆所处环境的环境类型；

在轮转模型中选择与所述环境类型相匹配的点云检测模型，对所述定位位置周围的点云数据进行处理。

2.根据权利要求1所述的方法，其特征在于，所述基于高精地图和所述定位位置，确定所述自动驾驶车辆所处环境的环境类型，包括：

基于所述定位位置，从所述高精地图中获取所述定位位置周围预设范围内的环境信息，所述环境信息中至少包括道路类型；

基于所述环境信息，确定所述自动驾驶车辆所处环境的道路类型。

3.根据权利要求2所述的方法，其特征在于，所述基于所述环境信息，确定所述自动驾驶车辆所处环境的道路类型，包括：

基于所述环境信息，确定所述定位位置预设范围内覆盖的道路类型；

响应于所述预设范围内覆盖多种道路类型，且所述多种道路类型中包括直道、弯道、和/或，路口，则相应的将所述自动驾驶车辆所处环境的道路类型确定为弯道或路口。

4.根据权利要求3所述的方法，其特征在于，所述在轮转模型中选择与所述环境类型相匹配的点云检测模型，对所述定位位置周围的点云数据进行处理，包括：

响应于所述自动驾驶车辆所处环境的道路类型为直道，则在所述轮转模型中选择与所述直道相匹配的第一点云检测模型对所述定位位置周围的点云数据进行处理；

响应于所述自动驾驶车辆所处环境的道路类型为弯道，则在所述轮转模型中选择与所述弯道相匹配的第二点云检测模型对所述定位位置周围的点云数据进行处理；

响应于所述自动驾驶车辆所处环境的道路类型为路口，则在所述轮转模型中选择与所述路口相匹配的第三点云检测模型对所述定位位置周围的点云数据进行处理。

5.根据权利要求4所述的方法，其特征在于，所述第一点云检测模型的检测范围小于所述第二点云检测模型、第三点云检测模型的检测范围;和/或，

第二点云检测模型与第三点云检测模型为相同或不同的点云检测模型。

6.一种点云数据的处理装置，其特征在于，包括：

获取模块，用于获取自动驾驶车辆的定位位置以及所述定位位置周围的点云数据；

确定模块，用于基于高精地图和所述定位位置，确定所述自动驾驶车辆所处环境的环境类型；

处理模块，用于在轮转模型中选择与所述环境类型相匹配的点云检测模型，对所述定位位置周围的点云数据进行处理。

7.根据权利要求6所述的装置，其特征在于，所述处理模块，用于：

响应于所述自动驾驶车辆所处环境的道路类型为直道，则在所述轮转模型中选择与所述直道相匹配的第一点云检测模型对所述定位位置周围的点云数据进行处理；

响应于所述自动驾驶车辆所处环境的道路类型为弯道，则在所述轮转模型中选择与所述弯道相匹配的第二点云检测模型对所述定位位置周围的点云数据进行处理；

响应于所述自动驾驶车辆所处环境的道路类型为路口，则在所述轮转模型中选择与所述路口相匹配的第三点云检测模型对所述定位位置周围的点云数据进行处理。

8.一种车载设备，其特征在于，包括：

存储器和处理器，其中，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时，实现如权利要求1-5中任一项所述的方法。

9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-5中任一项所述的方法。

10.一种计算机程序产品，其特征在于，包括：计算机程序，所述计算机程序存储在计算机可读存储介质中，处理器从所述计算机可读存储介质中读取并执行所述计算机程序，当所述计算机程序被所述处理器执行时，所述处理器执行如权利要求1-5中任一项所述的方法。

Images