CN114299396A - 一种树枝识别模型的训练方法、树枝识别方法及装置 - Google Patents

Abstract

本公开实施例提供一种树枝识别模型的训练方法、树枝识别方法及装置，树枝识别模型的训练方法包括：获取多帧点云数据；将多帧点云数据融合，得到融合点云数据；接收对融合点云数据进行标注的标注信息；将包括标注信息的融合点云数据转换回多帧点云数据，转换后的多帧点云数据包括标注信息；依据转换后的多帧点云数据对树枝识别模型进行训练。树枝识别方法包括：通过雷达采集点云数据；将点云数据输入预先训练的树枝识别模型，得到树枝识别模型输出的车辆周边环境中的树枝。本公开实施例的技术方案，通过将雷达探测的多帧点云数据融合，基于融合后的点云数据进行后续的点云标注工作的方式，降低了点云标注工作的复杂度，提高了训练数据的质量。

Description

一种树枝识别模型的训练方法、树枝识别方法及装置

技术领域

本公开技术方案涉及人工智能技术领域，尤其涉及一种树枝识别模型的训练方法、树枝识别方法及装置。

背景技术

行道树是指种在道路两旁，给车辆和行人遮荫并构成街景的树木。行道树的作用十分广泛，具体的，它们可以补充氧气、净化空气、美化城市、减少噪音等等。

在日常生活中，我们经常可以看到行道树的树枝摇曳在道路边缘上方的情景，虽然这对于手动驾驶的汽车不会有很大的影响，正常行驶过去即可，但是对于无人驾驶清扫车，却影响甚大。在无人驾驶清扫车执行作业的时候，经常需要沿着道路边缘行驶，而无人驾驶清扫车又是通过雷达来探测障碍物的，因此，很容易就会出现无人驾驶清扫车将雷达探测到的摇曳在道路边缘上方的树枝当作障碍物的情况出现，从而影响无人驾驶清扫车的正常行驶以至于卡停。或者将行道树的树干等其他坚硬部位当作树枝的情况出现，从而使得无人驾驶清扫车因为没有及时避开坚硬的树干而被损坏。因此，如何使无人驾驶清扫车将行道树的树枝和树干等其他坚硬部位清楚地分别开是一个很重要的问题。

为了解决上述的问题，现有的技术方案常采用深度学习方法，而深度学习方法在构建数据库的时候需要相关工作人员对采集到的点云数据进行标注，从而得到训练数据。由于点云数据具有稀疏、高维、无序等特点，所以会使得点云数据的标注工作较复杂，且得到的训练数据的质量难以得到保证。

发明内容

有鉴于此，本公开实施例提供一种树枝识别模型的训练方法、树枝识别方法及装置。

具体地，本公开实施例是通过如下技术方案实现的：

根据本公开的第一方面，提出了一种树枝识别模型的训练方法，所述树枝识别模型的训练方法包括：

获取多帧点云数据，所述点云数据由安装在自动驾驶车辆上的雷达对车辆周边环境探测得到；

将所述多帧点云数据进行融合，得到融合点云数据；

接收对所述融合点云数据进行标注的标注信息，所述标注信息用于标注代表所述车辆周边环境中的树枝的点；

将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息；

依据所述转换后的所述多帧点云数据对所述树枝识别模型进行训练。

根据本公开的第二方面，提出了一种树枝识别方法，所述树枝识别方法包括：

通过所述雷达采集点云数据，所述点云数据由所述雷达对车辆周边环境探测得到；

将所述点云数据输入预先训练的树枝识别模型，得到所述树枝识别模型输出的所述车辆周边环境中的树枝，其中，所述树枝识别模型通过本公开任一实施例所述的方法训练得到。

根据本公开的第三方面，提出了一种枝识别模型的训练装置，所述树枝识别模型的训练装置包括：

第一获取模块，用于获取多帧点云数据，所述点云数据由安装在自动驾驶车辆上的雷达对车辆周边环境探测得到；

融合模块，用于将所述多帧点云数据进行融合，得到融合点云数据；

标注模块，用于接收对所述融合点云数据进行标注的标注信息，所述标注信息用于标注代表所述车辆周边环境中的树枝的点；

转换模块，用于将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息；

训练模块，用于依据所述转换后的所述多帧点云数据对所述树枝识别模型进行训练。

根据本公开的第四方面，提出了一种树枝识别装置，其中，所述树枝识别装置包括：

第二采集模块，用于通过所述雷达采集点云数据，所述点云数据由所述雷达对车辆周边环境探测得到；

识别处理模块，用于将所述点云数据输入所述树枝识别模型，得到所述树枝识别模型输出的所述车辆周边环境中的树枝，其中，所述树枝识别模型通过本公开任一实施例所述的方法训练得到。

根据本公开的第五方面，提供一种计算机可读存储介质，所述机器可读存储介质存储有机器可读指令，所述机器可读指令在被处理器调用和执行时，促使所述处理器实现本公开任一实施例的树枝识别模型的训练方法或者本公开任一实施例所述的树枝识别方法。

根据本公开的第六方面，提供一种电子设备，包括通信接口、处理器、存储器和总线，所述通信接口、所述处理器和所述存储器之间通过总线相互连接；所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行本公开任一实施例的树枝识别模型的训练方法或者本公开任一实施例所述的树枝识别方法。

本公开实施例提供的树枝识别模型的训练方法、树枝识别方法及装置，通过将雷达探测到的多帧点云数据进行融合，然后基于融合后的点云数据进行后续的点云标注工作的方式，降低了点云标注工作的复杂度，提高了训练数据的质量。

下面通过附图和实施方式，对本公开实施例做进一步的详细描述。

附图说明

为了更清楚地说明本公开一个或多个实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开一个或多个实施例中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：

图1是根据本公开一示例性实施例提供的一种树枝识别模型的训练方法的流程图；

图2是根据本公开一示例性实施例提供的又一种树枝识别模型的训练方法的流程图；

图3是根据本公开一示例性实施例提供的一种树枝识别方法的流程图；

图4是根据本公开一示例性实施例提供的一种树枝识别模型的训练装置的框图；

图5是根据本公开一示例性实施例提供的一种树枝识别方法的框图；

图6是根据本公开一示例性实施例提供的一种电子设备的硬件结构示意图；

图7是根据本公开一示例性实施例提供的又一种电子设备的硬件结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

在本公开使用的术语仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开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。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。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”。

本公开实施例提供一种树枝识别模型的训练方法、树枝识别方法，解决现有技术方案中由于点云数据具有稀疏、高维、无序等特点，所以会使得点云数据的标注工作较复杂，且得到的训练数据的质量难以得到保证的问题。

下面结合附图，对本公开实施例的树枝识别模型的训练方法、树枝识别方法进行详细的描述。

图1是本公开一示例性实施例提供的一种树枝识别模型的训练方法的流程图。如图1所示，该示例性实施例方法可以包括如下处理：

步骤S101，获取多帧点云数据。

其中，所述点云数据由安装在自动驾驶车辆上的雷达对车辆周边环境探测得到，且在获取所述多帧点云数据的过程中，所述自动驾驶车辆是运动的，该车辆周边环境即可以是车辆运行时雷达能探测到的一定区域。

在一个可选示例中，所述自动驾驶车辆可以是无人驾驶清扫车，由于所述无人驾驶清扫车在执行清扫作业的时候，经常需要沿着道路边缘行驶。因此，在采集点云数据的时候，也可以在道路边缘进行采集，从而提高训练数据的可靠性。

在一个可选示例中，所述雷达的数量可以是一个，此时，所述雷达应是一个具有360度的探测视野的高线束的雷达，所述高线束的雷达可以采集到所述多帧点云数据。

在一个可选示例中，所述雷达的数量可以是多个，此时，所述雷达可以是多个低线束的雷达，且所述多个低线束的雷达安装在所述自动驾驶车辆的不同角度。在某一时刻，所述多个低线束的雷达采集到点云数据以后，先将所述点云数据进行融合，融合后的点云数据构成所述多帧点云数据中的其中一帧点云数据。

步骤S102，将所述多帧点云数据进行融合，得到融合点云数据。

为了便于描述，先介绍以下的概念：

源数据：源数据描述的是这一段数据的采集时间、存储方式等信息。

位姿：是点云数据的一个属性，用于记录点云相对于地球的位置信息。

在一个可选示例中，可以依据所述多帧点云数据中的每一帧点云数据的源数据，将所述雷达采集到的不同时刻的所述多帧点云数据进行融合。

例如，可以根据所述每一帧点云数据的位姿属性，先将采集到的点云数据转换成所述点云数据相对于地球的绝对位置的点云数据，再依据转换后的所述点云数据，将所述多帧点云数据进行融合。

在一个可选示例中，还可以依据点云配准方法将所述多帧点云数据进行融合，从而得到所述融合点云数据。本公开在此不再详述。

本示例通过将单帧的稀疏点云数据融合为一张稠密点云数据，可以将所有的静态障碍物在所述稠密点云数据中显示为重叠的位置，将动态障碍物在所述稠密点云中显示为运动的轨迹，便于后续点云标注工作的进行。

步骤S103，接收对所述融合点云数据进行标注的标注信息。

其中，所述标注信息用于标注所述融合点云数据中表示树枝的点。

在一个可选示例中，可以由人工对所述点云数据进行标注。按照上述的，在将所述多帧稀疏点云数据融合为稠密点云数据之后，可以将静态障碍物与动态障碍物区分开，进一步的，由于表示道路边缘的行道树的树枝一般在一定高度静态呈现，因此，可以由人工依据固定高度的方式对所述稠密点云数据进行标注。

在一个可选示例中，可以先使用特征规则筛选的方法，自动的从所述融合点云数据中标记一部分疑似树枝的点，然后再做人工校正。

例如，可以获取所述融合点云数据中的各个点的距离特征，所述距离特征用于表示所述点对应的对象与所述车辆周边环境中的地面之间的距离。当所述距离特征在预定的距离范围之内时，将所述点标注为树枝。

具体的，可以预先设定当距离特征在200cm-400cm时，自动的将对应的点标注为树枝。

进一步的，由于真实环境中的点云数据拥有噪声等误差，因此会造成误检的情况，所以，可以在依据所述距离特征做标注之后，由人工依据所述融合点云数据做进一步的校正。

本示例采用特征规则筛选的方法，可以先依据特定的特征自动的从融合点云数据中筛选出一部分疑似树枝的点，然后再做人工校正，从而减少人工标注的工作量，提高标注效率。

在一个可选示例中，由于所述树枝识别模型的训练过程是一个不断重复的过程，因此，可以使用先前训练得到的树枝识别模型对所述融合点云数据进行预标注，然后再做人工校正，从而提高标注效率。同时，还可以检验先前训练得到的所述树枝识别模型的预测能力。

步骤S104，将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息。

在一个可选示例中，在将所述多帧点云数据进行融合，得到所述融合点云数据的过程中，可以记录所述融合点云数据中的每一个点与所述多帧点云数据中的目标帧的映射关系。所述目标帧是指所述融合点云数据中的某一个点在融合之前归属于的某一帧点云数据。

进一步的，可以依据所述映射关系，将包含所述标注信息的融合点云数据中的各个点转换到对应的目标帧，得到所述多帧点云数据。所述多帧点云数据中包括所述标注信息。

例如，可以为同一帧点云数据中的每一个点都增加一个小标映射，所述小标映射用于表示所述点与所述目标帧的对应关系。在将所述多帧点云数据进行融合得到所述融合点云数据的过程中，保留所述小标映射。

进一步的，可以依据所述小标映射，将所述融合点云数据转换回多帧点云数据。

步骤S105，依据所述转换后的所述多帧点云数据对所述树枝识别模型进行训练。

在一个可选示例中，所述树枝识别模型可以使用通用的预测结果和真实结果计算交叉熵损失函数的方式计算损失，并采用梯度下降方式调整所述树枝识别模型内部的参数以拟合所述树枝识别模型的语义分割能力。

本实施例的树枝识别模型的训练方法，通过将雷达探测到的多帧点云数据进行融合，可以将表示静态障碍物的点云数据以重叠的方式展现出来，然后采用固定高度的方式进一步的将表示树枝的点云数据标注出来，降低了点云标注工作的复杂度。同时，由于所述融合点云数据中积累了大量的点云，相当于提高了照片的分辨率，与在单帧点云数据中直接进行标注相比，可以降低噪声对标注的影响，从而提高训练数据的质量。

图2是本公开一示例性实施例提供的又一种树枝识别模型的训练方法的流程图。其中，在本实施例的描述中，与前述任一实施例中相同的步骤将简单描述，不再详述，具体可以参见前述的任一实施例。如图2所示，该实施例方法可以包括如下处理：

步骤S201，获取多帧点云数据。

其中，所述点云数据由安装在自动驾驶车辆上的雷达对车辆周边环境探测得到。

步骤S202，将所述多帧点云数据进行融合，得到融合点云数据。

步骤S203，接收对所述融合点云数据进行标注的标注信息。

其中，所述标注信息用于标注代表所述车辆周边环境中的树枝的点。

步骤S204，将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息。

步骤S205，依据所述转换后的所述多帧点云数据对所述树枝识别模型进行训练。

步骤S206，将训练后的所述树枝识别模型在预先设定的不同的指标上进行测试。

所述不同的指标用于表示训练后的所述树枝识别模型在不同方面的性能。

具体的，所述不同的指标可以包括：硬件计算时间、整体识别效果、特定类识别的准确率例如树枝识别的准确率等等。在上述不同的指标上进行的测试都会得到一个测试结果。

步骤S207，依据测试结果，利用预设的程序自动调整所述树枝识别模型的超参数。

其中，所述超参数是指模型的配置信息，例如模型的深度、广度、激活函数类型、神经元的个数等等。

所述预设的程序可以依据相关工作人员设定的规则，依据所述测试结果自动的调整所述树枝识别模型的超参数。

例如，当所述硬件计算时间太长时，所述预设的程序可以降低所述树枝识别模型的深度和广度。

再例如，当所述树枝识别的准确率不高时，所述预设的程序可以增加所述树枝识别这一类的损失函数的权重。

在一个可选示例中，对所述树枝识别模型的调整还可以体现在对模型内部的隐藏层的层数的调整、对卷积核的调整以及在线上计算时，部分计算通过合并的方式进行。从而加快计算速度，降低所述树枝识别模型的训练方法对算力的要求。

步骤S208，保存调整所述超参数后的所述树枝识别模型。

步骤S209，判断是否达到训练时间。

可以在开始训练所述树枝识别模型之前预设一个训练时间，并在开始训练时开始计时，当保存调整所述超参数后的所述树枝识别模型之后查看是否达到预设的所述训练时间。

当到达所述预设的训练时间时，继续执行步骤S210；

当没有达到所述预设的训练时间时，执行步骤S205。

在一个可选示例中，可以通过衡量所述超参数的调整给所述树枝识别模型对于树枝的识别所带来的性能的提升变化，当所述变化波动很小时，也可以停止训练。

步骤S210，在保存的所述数值识别模型中选择最优的模型作为最终的树枝识别模型。

本实施例的树枝识别模型的训练方法，通过所述预设的程序可以自动调整所述树枝识别模型的超参数，并对调整超参数后的所述树枝识别模型继续训练，也就是根据不断的重复的实验找到不同的网络结构的变化对所述树枝识别模型的性能的影响，最终找到对模型复杂度、计算效率以及树枝识别效果相对平衡的网络结构。从而降低所述树枝识别模型的训练方法对算力的要求，避免了通过直接降低所述树枝识别模型的训练方法的复杂度，即直接减少所述树枝识别模型的训练方法中的某些模块而带来的训练效果较差的问题。

图3是本公开一示例性实施例提供的一种树枝识别方法的流程图，所述方法应用于自动驾驶车辆，所述自动驾驶车辆上安装有雷达。如图所示，该示例性实施例方法可以包括如下处理：

步骤S301，通过所述雷达采集点云数据。

其中，所述点云数据由所述雷达对车辆周边环境探测得到，且此处采集到的点云数据指的是单帧点云数据。

在一个可选示例中，所述自动驾驶车辆是无人驾驶清扫车。

步骤S302，将所述点云数据输入预先训练的树枝识别模型，得到所述树枝识别模型输出的所述车辆周边环境中的树枝，其中，所述树枝识别模型通过本公开任一实施例所述的方法训练得到。

其中，所述树枝识别模型在接收到所述单帧点云数据之后，可以输出与所述单帧点云数据中的每个点相对应的对象的类别。

在一个可选示例中，可以将所述雷达采集到的单帧点云数据输入预先训练的所述树枝识别模型，所述树枝识别模型在对输入的所述单帧点云数据中的点进行识别以后，可以输出所述车辆周边环境中的树枝。

进一步的，所述自动驾驶车辆可以依据所述树枝识别装置识别到的树枝控制所述自动驾驶车辆的行驶状态，即当所述树枝识别装置识别到所述自动驾驶车辆前方的障碍物是树枝时，控制所述自动驾驶车辆正常行驶，避免了现有的树枝识别装置可能会将树枝识别为不可跨越的障碍物，从而使得所述自动驾驶车辆出现卡停的问题。

在一个可选示例中，可以基于车辆行驶因素，对所述单帧点云数据中的点进行筛选，从而得到目标点云数据，所述目标点云数据是对所述树枝识别模型在对树枝进行识别的过程中较为有效的点云数据。

其中，所述车辆行驶因素可以包括与所述自动驾驶车辆的距离、与车道线的距离、车辆自身的尺寸、车辆行驶的方向等等。

例如，可以筛选出距离所述自动驾驶车辆8米之内的点云数据作为所述目标点云数据。再例如，可以筛选出所述自动驾驶车辆前进方向的点云数据作为所述目标点云数据。

本公开实施例的树枝识别方法，先基于所述车辆行驶因素，筛选出所述单帧点云数据中对所述树枝识别模型在对树枝进行识别的过程中较为有效的一部分点云数据，再将筛选出的所述点云数据输入预先训练好的所述树枝识别模型，减少了所述树枝识别模型需要进行识别的数据的数量，从而加快了所述树枝识别模型的识别速度，降低了所述树枝识别模型对算力的要求。

图4是本公开一示例性实施例中的一种树枝识别模型的训练装置的结构示意图，如图4所示，该树枝识别模型的训练装置可以包括：

第一获取模块41，用于获取多帧点云数据，所述点云数据由安装在自动驾驶车辆上的雷达对车辆周边环境探测得到；

融合模块42，用于将所述多帧点云数据进行融合，得到融合点云数据；

标注模块43，用于接收对所述融合点云数据进行标注的标注信息，所述标注信息用于标注代表所述车辆周边环境中的树枝的点；

转换模块44，用于将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息；

训练模块45，用于依据所述转换后的所述多帧点云数据对所述树枝识别模型进行训练。

可选的，所述融合模块42，在用于将所述多帧点云数据进行融合，得到融合点云数据时，包括：

将所述多帧点云数据进行融合，得到融合点云数据，并记录所述融合点云数据中的每一个点与所述多帧点云数据中的目标帧的映射关系；

所述转换模块44，在用于将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息时，包括：

根据所述映射关系，将所述包括所述标注信息的融合点云数据中的各个点转换到对应的目标帧，得到所述多帧点云数据，所述多帧点云数据中包括所述标注信息。

可选的，所述标注模块43，在用于接收对所述融合点云数据进行标注的标注信息，所述标注信息用于标注代表所述车辆周边环境中的树枝的点时，包括：

获取所述融合点云数据中的各个点的距离特征，所述距离特征用于表示所述点对应的对象与所述车辆周边环境中的地面之间的距离；

响应于所述距离特征在预定的距离范围内，将所述点标注为树枝。

可选的，所述装置还包括：

测试模块，用于将训练后的所述树枝识别模型在预先设定的不同的指标上进行测试，所述不同的指标用于表示训练后的所述树枝识别模型在不同方面的性能；

调整模块，用于依据测试结果，利用预设的程序自动调整所述树枝识别模型的超参数。

图5是本公开一示例性实施例中的一种树枝识别装置的结构示意图，所述装置应用于自动驾驶车辆，所述自动驾驶车辆上安装有雷达。如图5所示，该树枝识别装置可以包括：

第二采集模块51，用于通过所述雷达采集点云数据，所述点云数据由所述雷达对车辆周边环境探测得到；

识别处理模块52，用于将所述点云数据输入所述树枝识别装置，得到所述树枝识别装置输出的所述车辆周边环境中的树枝，其中，所述树枝识别装置通过本公开任一实施例所述的装置训练得到。

可选的，所述自动驾驶车辆是无人驾驶清扫车。

可选的，所述识别处理模块52，在用于将所述点云数据输入所述树枝识别装置时，包括：

基于车辆行驶因素，对所述点云数据进行筛选，得到目标点云数据；

将所述目标点云数据输入所述树枝识别装置。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。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，作为模块显示的部件可以是或者也可以不是物理模块，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公开技术方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

本公开实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现本公开任一实施例所述的方法。

本公开实施例还提供了一种电子设备，如图6所示，所述电子设备包括存储器61、处理器62，所述存储器61用于存储可在处理器上运行的计算机指令，所述处理器62用于在执行所述计算机指令时实现本公开任一实施例所述的树枝识别模型的训练方法。

本公开实施例还提供了另一种电子设备，如图7所示，所述电子设备包括存储器71、处理器72，所述存储器71用于存储可在处理器上运行的计算机指令，所述处理器72用于在执行所述计算机指令时实现本公开任一实施例所述的树枝识别方法。

本说明书中描述的主题及功能操作的实施例可以在以下中实现：数字电子电路、有形体现的计算机软件或固件、包括本说明书中公开的结构及其结构性等同物的计算机硬件、或者它们中的一个或多个的组合。本说明书中描述的主题的实施例可以实现为一个或多个计算机程序，即编码在有形非暂时性程序载体上以被数据处理装置执行或控制数据处理装置的操作的计算机程序指令中的一个或多个模块。可替代地或附加地，程序指令可以被编码在人工生成的传播信号上，例如机器生成的电、光或电磁信号，该信号被生成以将信息编码并传输到合适的接收机装置以由数据处理装置执行。计算机存储介质可以是机器可读存储设备、机器可读存储基板、随机或串行存取存储器设备、或它们中的一个或多个的组合。

适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部硬盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。

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。

虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。

由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。

以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (16)

1.一种树枝识别模型的训练方法，其特征在于，所述方法包括：

获取多帧点云数据，所述点云数据由安装在自动驾驶车辆上的雷达对车辆周边环境探测得到；

将所述多帧点云数据进行融合，得到融合点云数据；

接收对所述融合点云数据进行标注的标注信息，所述标注信息用于标注代表所述车辆周边环境中的树枝的点；

将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息；

依据所述转换后的所述多帧点云数据对所述树枝识别模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述将所述多帧点云数据进行融合，得到融合点云数据，包括：

将所述多帧点云数据进行融合，得到融合点云数据，并记录所述融合点云数据中的每一个点与所述多帧点云数据中的目标帧的映射关系；

所述将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息，包括：

根据所述映射关系，将所述包括所述标注信息的融合点云数据中的各个点转换到对应的目标帧，得到所述多帧点云数据，所述多帧点云数据中包括所述标注信息。

3.根据权利要求1所述的方法，其特征在于，所述接收对所述融合点云数据进行标注的标注信息，所述标注信息用于标注代表所述车辆周边环境中的树枝的点，包括：

获取所述融合点云数据中的各个点的距离特征，所述距离特征用于表示所述点对应的对象与所述车辆周边环境中的地面之间的距离；

响应于所述距离特征在预定的距离范围内，将所述点标注为树枝。

4.根据权利要求1所述的方法，其特征在于，所述依据所述转换后的所述多帧点云数据对所述树枝识别模型进行训练之后，所述方法还包括：

将训练后的所述树枝识别模型在预先设定的不同的指标上进行测试，所述不同的指标用于表示训练后的所述树枝识别模型在不同方面的性能；

依据测试结果，利用预设的程序自动调整所述树枝识别模型的超参数。

5.一种树枝识别方法，其特征在于，所述方法应用于自动驾驶车辆，所述自动驾驶车辆上安装有雷达，所述方法包括：

通过所述雷达采集点云数据，所述点云数据由所述雷达对车辆周边环境探测得到；

将所述点云数据输入预先训练的树枝识别模型，得到所述树枝识别模型输出的所述车辆周边环境中的树枝，其中，所述树枝识别模型通过权利要求1至4任一所述的方法训练得到。

6.根据权利要求5所述的方法，其特征在于，所述自动驾驶车辆是无人驾驶清扫车。

7.根据权利要求5所述的方法，其特征在于，所述将所述点云数据输入预先训练的树枝识别模型，包括：

基于车辆行驶因素，对所述点云数据进行筛选，得到目标点云数据；

将所述目标点云数据输入预先训练的所述树枝识别模型。

8.一种树枝识别模型的训练装置，其特征在于，所述装置包括：

第一获取模块，用于获取多帧点云数据，所述点云数据由安装在自动驾驶车辆上的雷达对车辆周边环境探测得到；

融合模块，用于将所述多帧点云数据进行融合，得到融合点云数据；

标注模块，用于接收对所述融合点云数据进行标注的标注信息，所述标注信息用于标注代表所述车辆周边环境中的树枝的点；

转换模块，用于将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息；

训练模块，用于依据所述转换后的所述多帧点云数据对所述树枝识别模型进行训练。

9.根据权利要求8所述的装置，其特征在于，所述融合模块，在用于将所述多帧点云数据进行融合，得到融合点云数据时，包括：

将所述多帧点云数据进行融合，得到融合点云数据，并记录所述融合点云数据中的每一个点与所述多帧点云数据中的目标帧的映射关系；

所述转换模块，在用于将包括所述标注信息的融合点云数据转换回所述多帧点云数据，转换后的所述多帧点云数据中包括所述标注信息时，包括：

根据所述映射关系，将所述包括所述标注信息的融合点云数据中的各个点转换到对应的目标帧，得到所述多帧点云数据，所述多帧点云数据中包括所述标注信息。

10.根据权利要求8所述的装置，其特征在于，所述标注模块，在用于接收对所述融合点云数据进行标注的标注信息，所述标注信息用于标注代表所述车辆周边环境中的树枝的点时，包括：

获取所述融合点云数据中的各个点的距离特征，所述距离特征用于表示所述点对应的对象与所述车辆周边环境中的地面之间的距离；

响应于所述距离特征在预定的距离范围内，将所述点标注为树枝。

11.根据权利要求8所述的装置，其特征在于，所述装置还包括：

测试模块，用于将训练后的所述树枝识别模型在预先设定的不同的指标上进行测试，所述不同的指标用于表示训练后的所述树枝识别模型在不同方面的性能；

调整模块，用于依据测试结果，利用预设的程序自动调整所述树枝识别模型的超参数。

12.一种树枝识别装置，其特征在于，所述装置应用于自动驾驶车辆，所述自动驾驶车辆上安装有雷达，所述装置包括：

第二采集模块，用于通过所述雷达采集点云数据，所述点云数据由所述雷达对车辆周边环境探测得到；

识别处理模块，用于将所述点云数据输入所述树枝识别模型，得到所述树枝识别模型输出的所述车辆周边环境中的树枝，其中，所述树枝识别模型通过权利要求1至4任一所述的方法训练得到。

13.根据权利要求12所述的装置，其特征在于，所述自动驾驶车辆是无人驾驶清扫车。

14.根据权利要求12所述的装置，其特征在于，所述识别处理模块，在用于将所述点云数据输入所述树枝识别装置时，包括：

基于车辆行驶因素，对所述点云数据进行筛选，得到目标点云数据；

将所述目标点云数据输入所述树枝识别装置。

15.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可读指令，所述机器可读指令在被处理器调用和执行时，促使所述处理器实现权利要求1至4任一项所述的方法，或者5至7任一项所述的方法。

16.一种电子设备，其特征在于，包括通信接口、处理器、存储器和总线，所述通信接口、所述处理器和所述存储器之间通过总线相互连接；

所述存储器中存储机器可读指令，所述处理器通过调用所述机器可读指令，执行如权利要求1至4任一项所述的方法，或者5至7任一项所述的方法。

Images