CN113985413A

CN113985413A - 点云数据的处理方法、装置、设备和自动驾驶车辆

Info

Publication number: CN113985413A
Application number: CN202111039183.4A
Authority: CN
Inventors: 毛聪
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2021-09-06
Filing date: 2021-09-06
Publication date: 2022-01-28

Abstract

本公开公开了一种点云数据的处理方法、装置、设备和自动驾驶车辆，涉及自动驾驶技术领域。具体实现方案为：获取点云数据的速度测量值；利用点云数据的速度测量值以及点云数据相对于该点云数据所来源的点云雷达的姿态测量值，确定点云数据的各测量点；将所述各测量点进行霍夫(hough)变换，得到各测量点在hough空间的分布；搜索所述分布在hough空间的峰值；依据各测量点到测量空间中所述峰值对应直线的距离，确定目标的动静状态。本公开实现了点云数据的动、静状态判断。

Description

点云数据的处理方法、装置、设备和自动驾驶车辆

技术领域

本公开涉及计算机应用技术领域，尤其涉及自动驾驶技术领域中的点云数据的处理方法、装置、设备和自动驾驶车辆。

背景技术

随着自动驾驶技术的不断发展，带动了车身传感器系统和相关技术的不断进步。在众多传感器中毫米波雷达具备全天时全天候的工作能力，可以在雨雪雾及夜晚等天气下正常工作，并作为摄像头和激光雷达传感器的有效辅助和支撑。早期车载毫米波雷达主要以目标级障碍物检测和参数测量为主，为了提供驾驶环境中更多细节和更丰富的信息，4D点云雷达成为当前发展趋势。4D点云雷达也称为成像毫米波雷达，实现了四个维度的环境感知，包括距离、水平和垂直定位以及速度。

对于下游应用来说，点云数据的动、静状态是一个非常重要的输入信息，例如会根据运动目标和静止目标进行不同的处理。因此，点云数据的动、静状态判断是一个重要的环节。

发明内容

有鉴于此，本公开提供了一种点云数据的处理方法、装置、设备和自动驾驶车辆，以便于实现点云数据的动、静状态判断。

根据本公开的第一方面，提供了一种点云数据的处理方法，包括：

获取点云数据的速度测量值；

利用点云数据的速度测量值以及点云数据相对于该点云数据所来源的点云雷达的姿态测量值，确定点云数据的各测量点；

将所述各测量点进行霍夫hough变换，得到各测量点在hough空间的分布；

搜索所述分布在hough空间的峰值；

依据各测量点到测量空间中所述峰值对应直线的距离，确定目标的动静状态。

根据本公开的第二方面，提供了一种点云数据的处理装置，包括：

测量值获取单元，用于获取点云数据的速度测量值；

测量点确定单元，用于利用点云数据的速度测量值以及点云数据相对于该点云数据所来源的点云雷达的姿态测量值，确定点云数据的各测量点；

hough变换单元，用于将所述各测量点进行霍夫hough变换，得到各测量点在hough空间的分布；

峰值搜索单元，用于搜索所述分布在hough空间的峰值；

动静判别单元，用于依据各测量点到测量空间中所述峰值对应直线的距离，确定目标的动静状态。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行如上所述的方法。

根据本公开的第五方面，一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如上所述的方法。

根据本公开的第六方面，一种自动驾驶车辆，包括如上所述的电子设备。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开实施例提供的点云数据的处理方法流程图；

图2为本公开实施例提供的获取点云数据的速度测量值的流程图；

图3a为本公开实施例提供的点云雷达对目标观测的几何关系图；

图3b为本公开实施例提供的车辆运动几何关系示意图；

图3c和图3d为本公开实施例提供的hough转换的示意图；

图4为本公开实施例提供的点云数据的处理装置的结构示意图；

图5是用来实现本公开实施例的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

图1为本公开实施例提供的点云数据的处理方法流程图，该方法的执行主体可以为点云数据的处理装置，该装置可以位于本地终端的应用，或者还可以为位于本地终端的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者，还可以位于服务器端，本发明实施例对此不进行特别限定。如图1中所示，该方法可以包括以下步骤：

在101中，获取点云数据的速度测量值。

在102中，利用点云数据的速度测量值以及点云数据相对于该点云数据所来源雷达的姿态测量值，确定点云数据的各测量点。

在103中，将所述各测量点进行hough(霍夫)变换，得到各测量点在hough空间的分布。

在104中，搜索上述分布在hough空间的峰值。

在105中，依据各测量点到测量空间中峰值对应直线的距离，确定目标的动静状态。

由以上技术方案可以看出，本公开通过对点云数据的测量点进行hough变换后，搜索各测量点在hough空间的分布的峰值，依据各测量点到测量空间中峰值对应直线的距离，确定目标的动静状态，从而实现了点云数据的动、静状态判断。

另外，本公开提供的动静状态判别的方式不依赖外部车身信息的输入，也就避免了因输入的车身信息的精度所导致的误判。

下面结合实施例对上述方法的各步骤进行详细描述。首先对上述步骤101即“获取点云数据的速度测量值”进行详细描述。

为了方便理解首先对本公开实施例中涉及的检测环境进行简单介绍。通常在车辆上安装有多个或多种雷达，且雷达可以安装于车辆上的不同位置处。每个雷达通常被配置为具有不同的测量范围。除了雷达之外，车辆上还包括其他一些传感器来感测车辆周围以及车身中的各种变量。传感器还可以包括相机、光检测和测距单元、红外传感器、转向传感器、油门传感器、制动传感器和音频传感器、温度传感器等等。

作为其中一种实现方式，点云数据的速度测量值可以由点云数据相对于点云数据所来源雷达的速度测量值来获得。为了方便后续实施例中的描述，将点云数据所来源雷达称为“点云雷达”。例如，可以将各点云相对于点云雷达的速度测量值直接作为各点云雷达的速度测量值。

但由于在实际场景中，诸如毫米波雷达等点云雷达具有速度模糊的问题，该速度模糊的问题是由于点云雷达的测速范围要比实际场景下目标的速度范围窄所引起的，当目标的速度超出点云雷达的测速范围，则会引起“速度模糊”，即点云的速度测量值不准确。针对这一问题，本公开实施例提供了一种优选的方式来获取点云数据的速度测量值。具体流程可以如图2中所示，包括以下步骤：

在201中，利用上一帧点云数据估计得到的车身参数、点云数据相对于点云雷达的姿态测量值、该点云雷达相对于中心雷达安装位置的偏移量，确定各点云的静速值。

假设目标点云处于静止状态，那么点云雷达测量到的相对于目标点云的速度在本公开实施例中称为静速值。作为其中一种实现方式，第i个点云的静速值

可以采用如下公式确定：

其中，

和

为第i个点云相对于点云雷达的方位角和俯仰角，即姿态测量值。x_mount、y_mount为点云雷达相对于中心雷达安装位置的横、纵轴偏移量，通常中心雷达安装于车辆后轴。v_car、ω_car分别表示承载点云雷达的车辆的车身参数，即分别为速度和角速度。该车身参数是利用点云数据估计出来的，具体估计方式将在后续实施例中描述。由于在计算静速值时默认前后两帧时间间隔(毫秒级)车辆的运动参数变化不大，并且这里的静速估计是为了速度解模糊处理，对精度要求不高，因此在公式(1)中采用上一帧估计得到的车身参数。采用这种方式可以针对每个点云均计算静速值。

下面对上述公式(1)的推导过程进行简单描述。

假设位于车辆上的点云雷达对目标观测的几何关系如图3a中所示，O点为雷达的坐标原点。场景中某静止散射点会产生点云i(即上述的第i个点云)，其相对于点云雷达的方位角为

假设由于车身运动引起该点云雷达在当下时刻的速度矢量为v_car，方向为θ_v，则雷达对该点云的速度测量值即静速值

与雷达运动速度v_car之间满足以下关系：

图3b为车辆运动几何关系示意图，图3b中O为车身的坐标原点，可以认为是车辆后轴中心处，点云雷达相对于车身坐标原点的横、纵轴偏移量为x_mount、y_mount。依据图3b中所示的几何关系对上述公式(2)进行展开，得到如下公式：

再进一步考虑点云相对于点云雷达的俯仰角就可以得到上述公式(1)。

在202中，利用点云的静速值、该点云雷达的测速区间、模糊参数以及该点云雷达对该点云的速度测量值之间的对应关系，确定使点云的静速值与该点云雷达的速度测量值之间差值最小的模糊参数。

由于点云雷达对各点云的速度测量值可能是模糊的，因此点云相对于点云雷达的实际速度

可能是速度测量值

加或者减整数倍，例如：

其中，n为整数，可能是正整数，也可能是负整数。Ω_amb由点云雷达的测速区间确定，例如点云雷达的测速区间为[-15,15],则Ω_amb取值为30。其中，点云雷达的测速区间为点云雷达的设计参数，属于其自身的特性。

在此可以选择n值以使得

和

相差最小，即采用如下公式确定出n_amb：

其中，n_amb为模糊参数。

在203中，利用各点云的模糊参数、该点云雷达对点云的速度测量值和测速区间，确定各点云的速度测量值。

在确定出模糊参数n_amb之后，就可以采用以下公式确定各点云的速度测量值：

其中，

为第i个点云解模糊处理后的速度测量值。

经过该实施例所示的方式能够确定出解模糊处理后的点云的速度测量值，从而解决了因存在点云雷达的测速范围窄所导致的对点云的测速测量值不准确的问题，也为后续点云动静状态的准确判别奠定基础。

下面结合实施例对上述步骤102即“利用点云数据的速度测量值以及点云数据相对于该点云数据所来源雷达的姿态测量值，确定点云数据的各测量点”进行详细描述。

接续上述公式(6)进行推导，对于静止点云来说，上述公式(6)中的

即为公式(1)中的

因此得出下面的公式：

可以看出，在测量空间中

和

满足线性关系，那么可以确定第i个点云的测量点坐标(x_i,y_i)为：

下面结合实施例对上述步骤103即“将所述各测量点进行hough(霍夫)变换，得到各测量点在hough空间的分布”和上述步骤104即“搜索上述分布在hough空间的峰值”进行详细描述。

hough变换于1962年由Paul Hough提出，是直线估计的有效工具。其原理是利用图像空间和hough参数空间的线-点对偶性，把图像空间中的检测问题转换到参数空间中进行。本公开中利用hough变换的原理，将上述各测量点所在的测量空间向hough空间转换。具体地，将每个测量点投影到hough空间中的曲线上，得到hough空间中ρ(i)-θ(i)分布为：

ρ(i)＝x_i·cosθ(i)+y_i·sinθ(i) (10)

上述转换相当于将测量空间的(x_i,y_i)坐标转换到极坐标所在的hough空间。如图3c中所示，对于测量空间的一条直线，原点距离该直线的距离为ρ₀，该距离与x轴的夹角为θ₀，那么该直线转换到hough空间中对应的就是一个点(ρ₀,θ₀)。

对于每个点云，测量点(x_i,y_i)对应了hough空间中的一条曲线ρ(i)-θ(i)。由于实际场景中大部分点云为静止目标，这些静态目标的测量点在测量空间所在的直线对应于hough空间中的曲线交点，如图3d中所示。因此搜索hough空间的峰值即曲线交汇最多的位置(ρ_peak,θ_peak)，该峰值即为静止目标的理想参数值。

其中在hough空间中进行峰值搜索可以采用目前已有的方式，目前已经有比较成熟的技术来实现hough空间中的峰值搜索，并提供封装好的函数例如houghpeaks()供直接调用，因此本公开实施例对峰值搜索的具体方式并加以详述。

下面结合实施例对上述步骤105即“依据各测量点到测量空间中峰值对应直线的距离，确定目标的动静状态”进行详细描述。

从上面的推导可以看出，对于hough空间的峰值而言，其在测量空间中对应的直线可以看做是理想的静态目标的测量点所在的直线。也就是说，若测量点(x_i,y_i)是静止状态，那么理论上应该满足：

x_i·cosθ_peak+y_i·sinθ_peak＝ρ_peak (11)

那么反过来考虑，可以通过判断点云的测量点到峰值在测量空间中对应的直线的距离来判断点云的动静状态，距离离得越近是静止状态的可能性就越大。

第i个点云的测量点(x_i,y_i)到峰值在测量空间中对应的直线的距离d_i可以采用以下公式确定：

d_i＝|ρ_compute-ρ_peak|＝|x_icosθ_peak+y_isinθ_peak-ρ_peak| (12)

如果d_i大于或等于预设的距离阈值thre_v，则认为该第i个点云为运动状态，否则认为该第i个点云为静止状态。其中，上述距离阈值thre_v可以由点云雷达的速度测量准确度决定，具体取值可以采用经验值或实验值。

更进一步地，在上述步骤105之后还可以进一步对当前帧的点云数据对应的车身参数进行估计，用于下一阵点云数据的处理，即在下一帧点云数据的速度解模糊处理时使用。

在估计车身参数时，可以利用上述峰值以及点云雷达相对于中心雷达安装位置的偏移量来进行估计。作为其中一种实现方式，通过联立上述公式(7)～(9)可以得到以下车身参数的估计结果：

通过上述实施例中的方式进行点云的动静状态判别后，为下游应用提供了重要的基础。例如，自动驾驶场景下往往更加关注动态目标，因此可以利用本公开实施例所提供的方式进行动静判断后，筛选出运动状态的点云。将静止状态的点云作为背景信息。

再例如，在一些应用场景下需要关注微小运动目标，那么在本公开所提供的方式下通过控制距离阈值thre_v实现在一定精度下对微小运动目标的识别。

以上是对本公开所提供方法进行的详细描述，下面结合实施例对本公开所提供的装置进行详细描述。

图4为本公开实施例提供的点云数据的处理装置的结构示意图，如图4中所示，该装置400可以包括：测量值获取单元410、测量点确定单元420、hough变换单元430、峰值搜索单元440和动静判别单元450，还可以进一步包括车身参数估计单元460。其中各组成单元的主要功能如下：

测量值获取单元410，用于获取点云数据的速度测量值。

测量点确定单元420，用于利用点云数据的速度测量值以及点云数据相对于该点云数据所来源的点云雷达的姿态测量值，确定点云数据的各测量点。

hough变换单元430，用于将各测量点进行hough变换，得到各测量点在hough空间的分布。

峰值搜索单元440，用于搜索分布在hough空间的峰值。

动静判别单元450，用于依据各测量点到测量空间中峰值对应直线的距离，确定目标的动静状态。

作为一种优选的实施方式，测量值获取单元410可以具体包括：静速估计子单元411、模糊估计子单元412和解模糊处理子单元413。

静速估计子单元411，用于利用上一帧点云数据估计得到的车身参数、点云数据相对于点云雷达的姿态测量值、点云雷达相对于中心雷达安装位置的偏移量，确定各点云的静速值。

模糊估计子单元412，用于利用点云的静速值、点云雷达的测速区间、模糊参数以及点云雷达对点云的速度测量值之间的对应关系，确定使点云的静速值与点云雷达对点云的速度测量值之间差值最小的模糊参数。

解模糊处理子单元413，用于利用各点云的模糊参数、点云雷达对点云的速度测量值和测速区间，确定各点云的速度测量值。

作为其中一种可实现的方式，测量点确定单元420，具体用于确定第i个点云的测量点坐标(x_i,y_i)，其中x_i由该第i个点云相对于点云雷达的方位角确定，y_i由该第i个点云相对于点云雷达的方位角、俯仰角以及该第i个点云的速度测量值确定。

作为其中一种可实现的方式，动静判别单元450，具体用于若目标点云的测量点到测量空间中峰值对应直线的距离大于或等于预设的距离阈值，则确定目标点云为运动状态；否则确定目标点云为静止状态。

车身参数估计单元460，用于利用峰值以及点云雷达相对于中心雷达安装位置的偏移量，估计车身参数用于下一帧点云数据的处理。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质、一种计算机程序产品和自动驾驶车辆。

如图5所示，是根据本公开实施例的点云数据的处理方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如点云数据的处理方法。例如，在一些实施例中，点云数据的处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。

在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的点云数据的处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行点云数据的处理方法。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控30制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

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。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPs，Ⅵirtual Private Server)服务中存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

本公开实施例提供的自动驾驶车辆至少包括上述电子设备。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims

1.一种点云数据的处理方法，包括：

获取点云数据的速度测量值；

搜索所述分布在hough空间的峰值；

2.根据权利要求1所述的方法，其中，所述获取点云数据的速度测量值包括：

利用上一帧点云数据估计得到的车身参数、点云数据相对于所述点云雷达的姿态测量值、所述点云雷达相对于中心雷达安装位置的偏移量，确定各点云的静速值；

利用点云的静速值、所述点云雷达的测速区间、模糊参数以及所述点云雷达对所述点云的速度测量值之间的对应关系，确定使点云的静速值与所述点云雷达对所述点云的速度测量值之间差值最小的模糊参数；

利用各点云的模糊参数、所述点云雷达对所述点云的速度测量值和测速区间，确定各点云的速度测量值。

3.根据权利要求1所述的方法，其中，利用点云数据的速度测量值以及点云数据相对于所述点云雷达的姿态测量值，确定点云数据的各测量点包括：

第i个点云的测量点坐标(x_i,y_i)中，x_i由该第i个点云相对于所述点云雷达的方位角确定，y_i由该第i个点云相对于所述点云雷达的方位角、俯仰角以及该第i个点云的速度测量值确定。

4.根据权利要求1至3中任一项所述的方法，其中，所述依据各测量点到测量空间中所述峰值对应直线的距离，确定目标的动静状态包括：

若目标点云的测量点到测量空间中所述峰值对应直线的距离大于或等于预设的距离阈值，则确定所述目标点云为运动状态；否则确定所述目标点云为静止状态。

5.根据权利要求2所述的方法，还包括：

利用所述峰值以及所述点云雷达相对于中心雷达安装位置的偏移量，估计车身参数用于下一帧点云数据的处理。

6.一种点云数据的处理装置，包括：

测量值获取单元，用于获取点云数据的速度测量值；

峰值搜索单元，用于搜索所述分布在hough空间的峰值；

7.根据权利要求6所述的装置，其中，所述测量值获取单元具体包括：

静速估计子单元，用于利用上一帧点云数据估计得到的车身参数、点云数据相对于所述点云雷达的姿态测量值、所述点云雷达相对于中心雷达安装位置的偏移量，确定各点云的静速值；

模糊估计子单元，用于利用点云的静速值、所述点云雷达的测速区间、模糊参数以及所述点云雷达对所述点云的速度测量值之间的对应关系，确定使点云的静速值与所述点云雷达对所述点云的速度测量值之间差值最小的模糊参数；

解模糊处理子单元，用于利用各点云的模糊参数、所述点云雷达对所述点云的速度测量值和测速区间，确定各点云的速度测量值。

8.根据权利要求6所述装置，其中，所述测量点确定单元，具体用于确定第i个点云的测量点坐标(x_i,y_i)，其中x_i由该第i个点云相对于所述点云雷达的方位角确定，y_i由该第i个点云相对于所述点云雷达的方位角、俯仰角以及该第i个点云的速度测量值确定。

9.根据权利要求6至8中任一项所述装置，其中，所述动静判别单元，具体用于若目标点云的测量点到测量空间中所述峰值对应直线的距离大于或等于预设的距离阈值，则确定所述目标点云为运动状态；否则确定所述目标点云为静止状态。

10.根据权利要求7所述的装置，还包括：

车身参数估计单元，用于利用所述峰值以及所述点云雷达相对于中心雷达安装位置的偏移量，估计车身参数用于下一帧点云数据的处理。

11.一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法。

14.一种自动驾驶车辆，包括如权利要求11所述的电子设备。