CN114820657A - 地面点云分割方法、系统、地面建模方法及介质 - Google Patents
地面点云分割方法、系统、地面建模方法及介质 Download PDFInfo
- Publication number
- CN114820657A CN114820657A CN202210458859.1A CN202210458859A CN114820657A CN 114820657 A CN114820657 A CN 114820657A CN 202210458859 A CN202210458859 A CN 202210458859A CN 114820657 A CN114820657 A CN 114820657A
- Authority
- CN
- China
- Prior art keywords
- ground
- grid
- point cloud
- height
- ground point
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种地面点云分割方法、系统、地面建模方法及介质,属于自动驾驶技术领域,该方法包括:对地面点云数据进行预处理,并划分到地面二维栅格中;通过预训练的地面网络模型确定地面二维栅格对应的栅格特征;通过地面网络模型对栅格特征进行处理,得到栅格高度预测值;将栅格高度预测值与对应的栅格高度阈值进行比,若栅格高度预测值大于栅格高度阈值,对应的地面点云数据确定为障碍物点;若栅格高度预测值不大于栅格高度阈值,将对应的地面点云数据确定为地面点。本申请通过预训练的地面网络模型计算各个点云栅格的高度,并与各个栅格相应的阈值进行比较,进行是否为地面点的判断,提高点云分割的准确性。
Description
技术领域
本申请实施例涉及自动驾驶技术领域,尤其涉及一种地面点云分割方法、系统、地面建模方法及介质。
背景技术
激光雷达可以实时、准确、可靠的获取环境信息,被广泛应用到无人驾驶车的环境感知系统中。在道路交通场景中,车辆、行人、建筑等障碍物分布在地面上,并与地面连接,要实现对这些障碍物的感知首先要将其与地面点区分出来,因此点云地面分割是激光感知系统中基础、重要的一个环节。
目前有一些方法对点云地面进行分割,如聚类算法、栅格法、模型拟合法,但这些方法存在依赖固定阈值、道路模型简单、依赖传感器数据特性等问题,很难应对实际道路环境中的复杂场景。目前的点云分割方法借助与固定阈值记进行判断,导致无法准确地进行点云中地面点与障碍物点的划分;或者利用特殊的激光雷达获取点云的固有属性进行点云分割,该种方法无法适用于其他型号的激光雷达,不具有普适性。也有一些直接利用深度学习对点云进行分割的方法,但不可避免存在过分割、欠分割等问题。
发明内容
本申请提出一种地面点云分割方法、地面建模方法、系统、介质及设备,用以解决利用激光雷达获取获取的地面点云进行地面建模获取地面,进行地面点云和非地面地面分割时,通过固定的阈值进行分割时,对地面点云分割不准确,存在过分割或欠分割的问题。
第一方面,本申请提供一种地面点云分割方法,包括:获取地面点云数据;对地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;通过预训练的地面网络模型根据地面点云数据的高度信息,确定地面二维栅格对应的栅格特征;通过地面网络模型对栅格特征进行处理,得到地面二维栅格对应的栅格高度预测值;将栅格高度预测值与该地面二维栅格对应的栅格高度阈值进行比较,其中在栅格高度预测值大于栅格高度阈值的条件下,将地面二维栅格对应的地面点云数据确定为障碍物点;在栅格高度预测值不大于栅格高度阈值的条件下,将地面二维栅格对应的地面点云数据确定为地面点。
可选的,对地面点云数据进行预处理,并划分到预先构建的地面二维栅格中,包括:将激光雷达坐标系中的地面点云数据转换到自车坐标系中,并在自车坐标系中确定地面点云数据对应的三维坐标;根据三维坐标,将地面点云数据划分到对应的地面栅格中。
可选的,根据三维坐标,将地面点云数据划分到对应的地面栅格中,包括:根据地面二维栅格中各个顶点的坐标,确定地面二维栅格对应的区域范围;根据三维坐标在自车坐标系中的位置,将区域范围内的地面点云数据划分为该地面二维栅格对应的地面点云数据。
可选的,地面网络模型的预训练过程包括:通过激光雷达获取地面点云训练数据;将地面点云训练数据投影到地面二维栅格中,并通过预测网络模型根据地面二维栅格中的地面点云训练数据对地面二维栅格的栅格高度进行预测,得到栅格高度初步预测值;预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及栅格高度初步预测值进行损失学习,得到地面网络模型。
可选的,面网络模型的预训练过程还包括:对地面点云训练数据进行人工标注,得到真实地面点;将真实地面点投影到地面二维栅格中,并将地面二维栅格中真实地面点的平均高度作为该地面二维栅格的栅格高度真值。
可选的,预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及栅格高度初步预测值进行损失学习,得到地面网络模型,包括:预测网络模型根据相邻栅格之间的高度损失,对当前栅格的栅格高度初步预测值进行调整,得到栅格高度预测值;根据当前栅格对应的栅格高度真值和栅格高度预测值之间差值,对预测网络模型进行损失学习,得到地面网络模型。
可选的,将栅格高度与该地面二维栅格对应的栅格高度阈值进行比较,包括:根据预设栅格高度值和相邻栅格间的高度变化阈值确定对应的栅格高度阈值,其中相邻栅格间地面坡度越大,高度变化阈值越大。
第二方面,本申请提供一种地面点云分割系统,包括:预处理模块,其对获取的地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;地面点分割模块,其通过预训练的地面网络模型根据地面点云数据的高度信息,确定地面二维栅格对应的栅格特征;通过地面网络模型对栅格特征进行处理,得到地面二维栅格对应的栅格高度预测值;将栅格高度预测值与该地面二维栅格对应的栅格高度阈值进行比较,其中在栅格高度预测值大于栅格高度阈值的条件下,将地面二维栅格对应的地面点云数据确定为障碍物点;在栅格高度预测值不大于栅格高度阈值的条件下,将地面二维栅格对应的地面点云数据确定为地面点。
第三方面,本申请提供一种地面建模方法,包括:获取地面点云数据;对地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;通过预训练的地面网络模型根据地面点云数据的高度信息,确定地面二维栅格对应的栅格特征;通过地面网络模型对栅格特征进行处理,得到地面二维栅格对应的栅格高度预测值;将栅格高度预测值与该地面二维栅格对应的栅格高度阈值进行比较,其中在栅格高度预测值大于栅格高度阈值的条件下,将地面二维栅格对应的地面点云数据确定为障碍物点;在栅格高度预测值不大于栅格高度阈值的条件下,将地面二维栅格对应的地面点云数据确定为地面点;根据地面点进行地面建模,得到道路地面。
第四方面,本申请提供一种计算机可读存储介质,其存储有计算机指令,其中计算机指令被操作以执行方案一中的地面点云分割方法或方案三中的地面建模方法。
本申请的有益效果是:本申请在对获取的地面点云数据进行地面点和非地面点的分割时,通过二维栅格对地面点云数据进行分割,并通过预训练的地面网络模型计算各个点云栅格的高度,并与各个栅格相应的阈值进行比较,进行是否为地面点的判断,通过动态阈值的判断方式,实现进行地面点的分割时,提高点云分割的准确信,避免出现过分割和欠分割,提高点云分割的准确性。
附图说明
图1是本申请地面点云分割方法的一个实施方式的示意图;
图2是本申请地面点云分割系统的一个实施方式的示意图;
图3是本申请地面建模方法的一个实施方式的示意图;
图4是本申请地面建模装置的一个实施方式的示意图;
图5是本申请一种处理芯片的实施方式的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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”、“第三”“第四”等(如果存在)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数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。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,例如,包含了一系列步骤或单元的产品或设备不必限于清楚地列出的哪些单元,而是可包括没有清楚地列出的或对于这些产品或设备固有的其它单元。
激光雷达可以实时、准确、可靠的获取环境信息,被广泛应用到无人驾驶车的环境感知系统中。在道路交通场景中,车辆、行人、建筑等障碍物分布在地面上,并与地面连接,要实现对这些障碍物的感知首先要将其与地面点区分出来,因此点云地面分割是激光感知系统中基础、重要的一个环节。
激光雷达可以实时、准确、可靠的获取环境信息,被广泛应用到无人驾驶车的环境感知系统中。在道路交通场景中,车辆、行人、建筑等障碍物分布在地面上,并与地面连接,要实现对这些障碍物的感知首先要将其与地面点区分出来,因此点云地面分割是激光感知系统中基础、重要的一个环节。目前有一些方法对点云地面进行分割,如聚类算法、栅格法、模型拟合法,但这些方法存在依赖固定阈值、道路模型简单、依赖传感器数据特性等问题,很难应对实际道路环境中的复杂场景。目前的点云分割方法借助与固定阈值记进行判断,导致无法准确地进行点云中地面点与障碍物点的划分;或者利用特殊的激光雷达获取点云的固有属性进行点云分割,该种方法无法适用于其他型号的激光雷达,不具有普适性。也有一些直接利用深度学习对点云进行分割的方法,但不可避免存在过分割、欠分割等问题。
因此,为了提高地面点云划分的准确性,避免出现过分割和欠分割的问题,面对道路地面存在坡度欺负的实际情景,需要对不同的路段采取不同的阈值,进行地面点与非地面点的判断,而不能仅用固定参数阈值进行划分。
针对上述问题,本申请提出一种地面点云分割方法、系统、地面建模方法及介质,该地面点云分割方法,包括:获取地面点云数据;对地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;通过预训练的地面网络模型根据地面点云数据的高度信息,确定地面二维栅格对应的栅格特征;通过地面网络模型对栅格特征进行处理,得到地面二维栅格对应的栅格高度预测值;将栅格高度预测值与该地面二维栅格对应的栅格高度阈值进行比较,其中在栅格高度预测值大于栅格高度阈值的条件下,将地面二维栅格对应的地面点云数据确定为障碍物点;在栅格高度预测值不大于栅格高度阈值的条件下,将地面二维栅格对应的地面点云数据确定为地面点。
本申请在对获取的地面点云数据进行地面点和非地面点的分割时,通过二维栅格对地面点云数据进行分割,并通过预训练的地面网络模型计算各个点云栅格的高度,并与各个栅格相应的阈值进行比较,进行是否为地面点的判断,在判断过程中考虑到相邻栅格间的坡度变化,并将坡度的变换纳入栅格是地面或者是障碍物的考虑范围内,实现一个二维栅格对应一个栅格高度阈值,实现判断的准确性,充分考虑实际路面的实际情况,提高地面点云数据进行地面点和障碍物点分割的准确性。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图1示出了本申请地面点云分割方法的一个实施方式。
在图1所示的实施方式中,本申请的地面点云分割方法包括过程S101,获取地面点云数据。
在该实施方式中,首先通过采集车或者其他车辆上安装的激光雷达设备进行地面点云的采集,得到原始的地面电源数据,在该地面点云数据中,既包含地面点、障碍物点以及一些噪声点。另外,本申请的地面点云分割方法不依赖激光雷达采集数据的特性进行后续的分析,或者说本申请的地面点云分割方法可对机械式雷达、半固态雷达、固态雷达等各种形式的激光雷达获取的点云数据进行处理,不受限于激光雷达的型号。
在图1所示的实施方式中,本申请的地面点云分割方法包括过程S102,对地面点云数据进行预处理,并划分到预先构建的地面二维栅格中。
在该实施方式中,激光雷达采集的地面点云数据分别处于对应的激光雷达的坐标系中,尤其多个激光雷达的情况,点云数据的坐标系不相同。因此对地面点云数据进行预处理时,一方面进行噪点的滤除,另一方面将地面点云数据进行坐标转换,转换到车体坐标系中,便于后续进行统一的处理。例如通过激光雷达设备的外参转换等过程,进行地面点云数据的坐标转换后,将在车体坐标系中的地面点云数据进行投影,划分到预先构建的地面二维栅格中。
可选的,对地面点云数据进行预处理,并划分到预先构建的地面二维栅格中,包括:将激光雷达坐标系中的地面点云数据转换到自车坐标系中,并在自车坐标系中确定地面点云数据对应的三维坐标;根据三维坐标,将地面点云数据划分到对应的地面栅格。
在该可选实施例中,将激光雷达坐标系中的地面点云数据转换到车体坐标系中,得到各个点云点对应的三维坐标。可根据三维坐标和已划分的地面栅格将对应地面点云划分到相应的地面栅格中,通过将多个雷达获取的点云数据转换到同一坐标系下,便于点云数据的整体性处理。在自车坐标系下,确定点云数据中各个点云点的三维坐标,便于利用坐标对点云进行划分,提高点云数据处理的效率。
可选的,根据三维坐标,将地面点云数据划分到对应的地面栅格中,包括:根据地面二维栅格中各个顶点的坐标,确定地面二维栅格对应的区域范围;根据三维坐标在自车坐标系中的位置,将区域范围内的地面点云数据划分为该地面二维栅格对应的地面点云数据。
在该可选实施例中,地面二维栅格的形状可根据实际路面情况进行合理划分,一般可选择长方形。在确定哪些地面点云属于哪个地面二维栅格时,可通过地面二维栅格的各个顶点的坐标,进而确定出地面二维栅格对应的区域范围,然后在根据地面点云数据的坐标和地面二维栅格的区域范围进行比较,确定该地面二维栅格中的地面点云数据。在利用划分好的二维栅格对点云数据进行划分时,可根据点云的三维坐标与二维栅格范围的关系,进行划分,提高点云分割的效率。
具体的,以地面二维栅格为长方形为例,地面二维栅格的四个顶点分别对应相应的二维坐标,栅格区域范围可表示为range=[x_min,x_max,y_min,y_max],通过比较地面点云数据在车体坐标系中的x坐标和y坐标与栅格区域范围的关系,将该范围内地面点云数据确定为该地面二维栅格对应的地面点云数据。
在图1所示的实施方式中,本申请的地面点云分割方法包括过程S103,通过预训练的地面网络模型根据地面点云数据的高度信息,确定地面二维栅格对应的栅格特征。
在该实施方式中,将点云投影到二维栅格内,对栅格内的点应用PillarNet或PointNet等运算网络计算得到包含栅格内点云高度信息的栅格特征。
在图1所示的实施方式中,本申请的地面点云分割方法包括过程S104,通过地面网络模型对栅格特征进行处理,得到地面二维栅格对应的栅格高度预测值。
在该实施方式中,通过地面网络模型对栅格特征进行处理,根据各个地面二维栅格对应的栅格特征,得到各个地面二维栅格对应的栅格高度预测值。
具体的,可利用地面网络模型中的主干网络,例如可为ResNet、UNet等常用网络,对栅格特征进行处理,由于栅格特征中包含对应地面二维栅格的高度信息,进而可得到地面二维栅格对应的栅格高度预测值。
可选的,地面网络模型的预训练过程包括:通过激光雷达获取地面点云训练数据;将地面点云训练数据投影到地面二维栅格中,并通过预测网络模型根据地面二维栅格中的地面点云训练数据对地面二维栅格的栅格高度进行预测,得到栅格高度初步预测值;预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及栅格高度初步预测值进行损失学习,得到地面网络模型。
在该可选实施例中,对地面网络模型的训练大致可分为两个步骤。首先是预测网路模型根据投影到地面二维栅格地面点云训练数据进行地面二维栅格的栅格高度的预测处理,得到栅格高度初步预测值。然后利用栅格高度真值,相邻栅格之间高度连续性的高度损失,对预测网络模型进行损失学习,得到地面网络模型。使得得到的地面网络模型在对地面点云数据处理时,得到的地面二维栅格盖度的预测值与真实值之间的差值在预设的撤职范围内,保证模型训练的有效性。
可选的,地面网络模型的预训练过程还包括:对地面点云训练数据进行人工标注,得到真实地面点;将真实地面点投影到地面二维栅格中,并将地面二维栅格中真实地面点的平均高度作为该地面二维栅格的栅格高度真值。
在该可选实施例中,在进行地面网络模型的训练时,为了保证训练出的模型的模拟精度,在对真值进行损失学习时,需要保证真值的真实性。因此在地面网络模型的训练过程中,通过激光雷达获取地面点云训练数据,对地面点云训练数据中的地面点进行人工标注,得到真实地面点。通过人工标注,能够保证确定的真实地面点足够真实,从而保证模型训练的精度。通过将真实地面点投影到划分好的地面二维栅格中,根据真实地面点的高度,确定相应的地面栅格的高度。也就是将一个栅格中的所有真实地面点进行高度的平均计算,作为该栅格的栅格高度真值。然后预测网络模型根据得到的各个栅格的栅格真实高度,相邻栅格之间的盖度损失以及大量的地面点云数据进行损失学习,最终得到地面网络模型,使得训练出的该地面网络模型能够根据输入的地面点云数据,真实的确定出地面栅格的高度,进而进行后续是否为地面点的判断。通过栅格高度真值的确定和准确性的保证,从而确保最终模型训练结果的准确性,提高模型训练你的效果。
可选的,预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及栅格高度初步预测值进行损失学习,得到地面网络模型,包括:预测网络模型根据相邻栅格之间的高度损失,对当前栅格的栅格高度初步预测值进行调整,得到栅格高度预测值;根据当前栅格对应的栅格高度真值和栅格高度预测值之间差值,对预测网络模型进行损失学习,得到地面网络模型。
在该可选实施例中,预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及栅格高度初步预测值进行损失学习的过程中,首先预测网路模型会根据相邻栅格之间的高度损失对当前栅格的栅格高度初步预测值进行调整,得到栅格高度预测值;然后在根据栅格的高度的高度真值和栅格高度预测值之间差值,进行损失学习,最终训练出地面网络模型。在实际的操作过程中,相邻栅格之间的高度损失以及与栅格高度真值之间的损失可同时进行损失学习。利用损失学习的模型训练方式,保证通过模型得出的预测结果与真实值之间存在较小的差异,保证模型处理结果的准确性和合理性。。
具体的,在进行模型训练时的训练过程可通过以下公式进行大概描述:
本申请在地面网络模型训练时,充分考虑相邻栅格之间的高度损失,进行地面栅格高度的预测,从而实现对地面点云数据中地面点分割的准确性。
在图1所示的实施方式中,本申请的地面点云分割方法包括过程S105,将栅格高度与该地面二维栅格对应的栅格高度阈值进行比较,其中在栅格高度预测值大于栅格高度阈值条件下,将地面二维栅格对应的地面点云数据确定为障碍物点;在栅格高度预测值不大于栅格高度阈值条件下,将地面二维栅格对应的地面点云数据确定为地面点。
在该实施方式中,在通过地面网络模型预测出各个地面二维栅格的栅格高度预测值后,通过对栅格高度预测值与相应的栅格高度阈值进行比较,当栅格高度预测值大于栅格高度阈值时,该地面二维栅格对应障碍物,该栅格内的点云点为障碍物点;当栅格高度预测值不大于栅格高度阈值时,该地面二维栅格对应地面,该栅格内的点云点为地面点。
可选的,将栅格高度预测值与该地面二维栅格对应的栅格高度阈值进行比较,包括:根据预设栅格高度值和相邻栅格间的高度变化阈值确定对应的栅格高度阈值,其中相邻栅格间地面坡度越大,高度变化阈值越大。
在该可选实施例中,由于道路并非一直平坦,存在坡度的起伏,因此在进行地面二维栅格的栅格高度判断时,若通过固定高度阈值进行判断,则对于一些存在坡度起伏的地面则会出现错误的判断,导致地面点的判断错误,进而影响后续的地面点与障碍物点的划分,出现地面点的过分割或欠分割的问题。因此,本申请在进行高度阈值的确定时,考虑到相邻地面二维栅格之间的高度变化的合理关系,通过相邻栅格间的高度变化阈值的设置,将地面出现坡度变化时,也能够准确的进行判断。其中,高度变化阈值会在训练好的地面网络模型中尽心合理设置,其中相邻栅格间地面坡度越大,高度变化阈值越大。
本申请在对获取的地面点云数据进行地面点和非地面点的分割时,通过二维栅格对地面点云数据进行分割,并通过预训练的地面网络模型计算各个点云栅格的高度,并与各个栅格相应的阈值进行比较,进行是否为地面点的判断,在判断过程中考虑到相邻栅格间的坡度变化,并将坡度的变化纳入栅格是地面还是障碍物的考虑范围内,实现一个二维栅格对应一个栅格高度阈值,实现判断的准确性,充分考虑路面的实际情况,提高地面点云数据进行地面点和障碍物点分割的准确性。
图2示出了本申请地面点云分割系统的一个实施方式。
在图2所示的实施方式中,本申请的地面点云分割系统,包括:预处理模块201,其对获取的地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;地面点分割模块202,其通过预训练的地面网络模型根据所述地面点云数据的高度信息,确定所述地面二维栅格对应的栅格特征;通过所述地面网络模型对所述栅格特征进行处理,得到所述地面二维栅格对应的栅格高度预测值;将所述栅格高度预测值与该所述地面二维栅格对应的栅格高度阈值进行比较,其中在所述栅格高度预测值大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为障碍物点;在所述栅格高度预测值不大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为地面点。
可选的,在预处理模块201中,将激光雷达坐标系中的地面点云数据转换到自车坐标系中,并在自车坐标系中确定地面点云数据对应的三维坐标;根据三维坐标,将地面点云数据划分到对应的地面栅格中。
可选的,在预处理模块201中,根据地面二维栅格中各个顶点的坐标,确定地面二维栅格对应的区域范围;根据三维坐标在自车坐标系中的位置,将区域范围内的地面点云数据划分为该地面二维栅格对应的地面点云数据。
可选的,地面网络模型的预训练过程包括:通过激光雷达获取地面点云训练数据;将地面点云训练数据投影到地面二维栅格中,并通过预测网络模型根据地面二维栅格中的地面点云训练数据对地面二维栅格的栅格高度进行预测,得到栅格高度初步预测值;预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及栅格高度初步预测值进行损失学习,得到地面网络模型。
可选的,面网络模型的预训练过程还包括:对地面点云训练数据进行人工标注,得到真实地面点;将真实地面点投影到地面二维栅格中,并将地面二维栅格中真实地面点的平均高度作为该地面二维栅格的栅格高度真值。
可选的,预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及栅格高度初步预测值进行损失学习,得到地面网络模型,包括:预测网络模型根据相邻栅格之间的高度损失,对当前栅格的栅格高度初步预测值进行调整,得到栅格高度预测值;根据当前栅格对应的栅格高度真值和栅格高度预测值之间差值,对预测网络模型进行损失学习,得到地面网络模型。
可选的,将栅格高度与该地面二维栅格对应的栅格高度阈值进行比较,包括:根据预设栅格高度值和相邻栅格间的高度变化阈值确定对应的栅格高度阈值,其中相邻栅格间地面坡度越大,高度变化阈值越大在本申请的另一技术方案中,提供一种地面建模方法,包括:通过激光雷达获取地面点云数据;对地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;通过预训练的地面网络模型对地面二维栅格及其对应的地面点云数据进行处理,得到地面二维栅格的栅格高度;将栅格高度与该地面二维栅格对应的栅格高度阈值进行比较,其中在栅格高度不大于栅格高度阈值的条件下,则将地面二维栅格对应的地面点云数据确定为地面点;根据地面点进行地面建模,得到道路地面。
本申请的地面点云分割系统对获取的地面点云数据进行地面点和非地面点的分割时,通过二维栅格对地面点云数据进行分割,并通过预训练的地面网络模型计算各个点云栅格的高度,并与各个栅格相应的阈值进行比较,进行是否为地面点的判断,在判断过程中考虑到相邻栅格间的坡度变化,并将坡度的变换纳入栅格是地面或者是障碍物的考虑范围内,实现一个二维栅格对应一个栅格高度阈值,实现判断的准确性,充分考虑路面的实际情况,提高地面点云数据进行地面点和障碍物点分割的准确性。
图3示出了本申请地面建模方法的一个实施方式。
在图3所示的实施方式中,本申请的地面建模方法包括:过程S301,获取地面点云数据;过程S302,对所述地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;过程S303,通过预训练的地面网络模型根据所述地面点云数据的高度信息,确定所述地面二维栅格对应的栅格特征;过程S304,通过所述地面网络模型对所述栅格特征进行处理,得到所述地面二维栅格对应的栅格高度预测值;过程S305,将所述栅格高度预测值与该所述地面二维栅格对应的栅格高度阈值进行比较,其中在所述栅格高度预测值大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为障碍物点;在所述栅格高度预测值不大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为地面点;以及过程S306,根据所述地面点进行地面建模,得到道路地面。
在该实施方式中,各个过程的说明可参见上述说明书中地面点云分割方法的描述,此处不再赘述。本申请的地面建模方法对获取的地面点云数据进行地面点和非地面点的分割时,通过二维栅格对地面点云数据进行分割,并通过预训练的地面网络模型计算各个点云栅格的高度,并与各个栅格相应的阈值进行比较,进行是否为地面点的判断,在判断过程中考虑到相邻栅格间的坡度变化,并将坡度的变换纳入栅格是地面或者是障碍物的考虑范围内,实现一个二维栅格对应一个栅格高度阈值,实现判断的准确性,充分考虑路面的实际情况,提高地面点云数据进行地面点和障碍物点分割的准确性。在利用获取的地面点进行地面建模,得到地面地图,实现地面建模的准确性。上述各个步骤的具体过程参见说明书中任意实例描述的地面点云分割方法,在此不再赘述。
图4示出了本申请地面建模装置的一个实施方式。
在图4所示的实施方式中,本申请的地面建模装置包括:预处理模块401,其对获取的地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;地面点分割模块402,其通过预训练的地面网络模型根据所述地面点云数据的高度信息,确定所述地面二维栅格对应的栅格特征;通过所述地面网络模型对所述栅格特征进行处理,得到所述地面二维栅格对应的栅格高度预测值;将所述栅格高度预测值与该所述地面二维栅格对应的栅格高度阈值进行比较,其中在所述栅格高度预测值大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为障碍物点;在所述栅格高度预测值不大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为地面点;以及地面建模模块403,其根据地面点进行地面建模,得到道路地面。
在该实施方式中,地面建模装置中各个模块处理过程的原理详见上述说明书中地面点云分割方法的描述,此处不再赘述。本申请的地面建模装置对获取的地面点云数据进行地面点和非地面点的分割时,通过二维栅格对地面点云数据进行分割,并通过预训练的地面网络模型计算各个点云栅格的高度,并与各个栅格相应的阈值进行比较,进行是否为地面点的判断,在判断过程中考虑到相邻栅格间的坡度变化,并将坡度的变换纳入栅格是地面或者是障碍物的考虑范围内,实现一个二维栅格对应一个栅格高度阈值,实现判断的准确性,充分考虑路面的实际情况,提高地面点云数据进行地面点和障碍物点分割的准确性。在利用获取的地面点进行地面建模,得到地面地图,实现地面建模的准确性。
在本申请的一个具体实施方式中,一种计算机可读存储介质,其存储有计算机指令,其中计算机指令被操作以执行任一实施例描述的地面点云分割方法或地面建模方法。其中,该存储介质可直接在硬件中、在由处理器执行的软件模块中或在两者的组合中。
软件模块可驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可装卸盘、CD-ROM或此项技术中已知的任何其它形式的存储介质中。示范性存储介质耦合到处理器,使得处理器可从存储介质读取信息和向存储介质写入信息。
处理器可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application Specific Integrated Circuit,简称:ASIC)、现场可编程门阵列(英文:Field Programmable Gate Array,简称:FPGA)或其它可编程逻辑装置、离散门或晶体管逻辑、离散硬件组件或其任何组合等。通用处理器可以是微处理器,但在替代方案中,处理器可以是任何常规处理器、控制器、微控制器或状态机。处理器还可实施为计算装置的组合,例如DSP与微处理器的组合、多个微处理器、结合DSP核心的一个或一个以上微处理器或任何其它此类配置。在替代方案中,存储介质可与处理器成一体式。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替代方案中,处理器和存储介质可作为离散组件驻留在用户终端中。
在本申请的一个具体实施方式中,一种计算机设备,其包括处理器和存储器,存储器存储有计算机指令,其中:处理器操作计算机指令以执行任一实施例描述的地面点云分割方法或地面建模方法。
图5示出了本申请一种处理芯片的实施方式。
在图5所示的实施方式中,本申请的处理芯片包括存储器和处理器,其中处理器中设置有预处理模块和地面点分割模块,用以执行上述说明书中描述的地面点云分割方法的地面点云的分隔过程,具体的处理过程详见上述说明书中的记载,在此不再赘述。其中存储器用于对各个模块的处理的中间数据或最终结果进行存储,同时对处理后的数据进行导出等。
在本申请所提供的实施方式中,应该理解到,所揭露的装置,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
以上仅为本申请的实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种地面点云分割方法,其特征在于,包括:
获取地面点云数据;
对所述地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;
通过预训练的地面网络模型根据所述地面点云数据的高度信息,确定所述地面二维栅格对应的栅格特征;
通过所述地面网络模型对所述栅格特征进行处理,得到所述地面二维栅格对应的栅格高度预测值;
将所述栅格高度预测值与该所述地面二维栅格对应的栅格高度阈值进行比较,其中
在所述栅格高度预测值大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为障碍物点;
在所述栅格高度预测值不大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为地面点。
2.根据权利要求1所述的地面点云分割方法,其特征在于,所述对所述地面点云数据进行预处理,并划分到预先构建的地面二维栅格中,包括:
将激光雷达坐标系中的所述地面点云数据转换到自车坐标系中,并在所述自车坐标系中确定所述地面点云数据对应的三维坐标;
根据所述三维坐标,将所述地面点云数据划分到对应的所述地面栅格中。
3.根据权利要求2所述的地面点云分割方法,其特征在于,所述根据所述三维坐标,将所述地面点云数据划分到对应的所述地面栅格中,包括:
根据所述地面二维栅格中各个顶点的坐标,确定所述地面二维栅格对应的区域范围;
根据所述三维坐标在所述自车坐标系中的位置,将所述区域范围内的所述地面点云数据划分为该所述地面二维栅格对应的所述地面点云数据。
4.根据权利要求1所述的地面点云分割方法,其特征在于,所述地面网络模型的预训练过程包括:
通过激光雷达获取地面点云训练数据;
将所述地面点云训练数据投影到所述地面二维栅格中,并通过预测网络模型根据所述地面二维栅格中的所述地面点云训练数据对所述地面二维栅格的栅格高度进行预测,得到栅格高度初步预测值;
所述预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及所述栅格高度初步预测值进行损失学习,得到所述地面网络模型。
5.根据权利要求4所述的地面点云分割方法,其特征在于,还包括:
对所述地面点云训练数据进行人工标注,得到真实地面点;
将所述真实地面点投影到所述地面二维栅格中,并将所述地面二维栅格中所述真实地面点的平均高度作为该所述地面二维栅格的所述栅格高度真值。
6.根据权利要求4所述的地面点云分割方法,其特征在于,所述所述预测网络模型根据栅格高度真值、相邻栅格之间的高度损失以及所述栅格高度初步预测值进行损失学习,得到所述地面网络模型,包括:
所述预测网络模型根据相邻栅格之间的高度损失,对当前栅格的栅格高度初步预测值进行调整,得到所述栅格高度预测值;
根据所述当前栅格对应的栅格高度真值和所述栅格高度预测值之间差值,对所述预测网络模型进行损失学习,得到所述地面网络模型。
7.根据权利要求1所述的地面点云分割方法,其特征在于,所述将所述栅格高度与该所述地面二维栅格对应的栅格高度阈值进行比较,包括:
根据预设栅格高度值和相邻栅格间的高度变化阈值确定对应的所述栅格高度阈值,其中所述相邻栅格间地面坡度越大,所述高度变化阈值越大。
8.一种地面点云分割系统,其特征在于,包括:
预处理模块,其对获取的地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;
地面点分割模块,其通过预训练的地面网络模型根据所述地面点云数据的高度信息,确定所述地面二维栅格对应的栅格特征;
通过所述地面网络模型对所述栅格特征进行处理,得到所述地面二维栅格对应的栅格高度预测值;
将所述栅格高度预测值与该所述地面二维栅格对应的栅格高度阈值进行比较,其中
在所述栅格高度预测值大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为障碍物点;
在所述栅格高度预测值不大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为地面点。
9.一种地面建模方法,其特征在于,包括:
获取地面点云数据;
对所述地面点云数据进行预处理,并划分到预先构建的地面二维栅格中;
通过预训练的地面网络模型根据所述地面点云数据的高度信息,确定所述地面二维栅格对应的栅格特征;
通过所述地面网络模型对所述栅格特征进行处理,得到所述地面二维栅格对应的栅格高度预测值;
将所述栅格高度预测值与该所述地面二维栅格对应的栅格高度阈值进行比较,其中
在所述栅格高度预测值大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为障碍物点;
在所述栅格高度预测值不大于所述栅格高度阈值的条件下,将所述地面二维栅格对应的所述地面点云数据确定为地面点;
根据所述地面点进行地面建模,得到道路地面。
10.一种计算机可读存储介质,其存储有计算机指令,其中计算机指令被操作以执行权利要求1-7中任一项所述的地面点云分割方法或权利要求9中的地面建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458859.1A CN114820657A (zh) | 2022-04-27 | 2022-04-27 | 地面点云分割方法、系统、地面建模方法及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210458859.1A CN114820657A (zh) | 2022-04-27 | 2022-04-27 | 地面点云分割方法、系统、地面建模方法及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820657A true CN114820657A (zh) | 2022-07-29 |
Family
ID=82509184
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210458859.1A Pending CN114820657A (zh) | 2022-04-27 | 2022-04-27 | 地面点云分割方法、系统、地面建模方法及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114820657A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311457A (zh) * | 2022-10-09 | 2022-11-08 | 广东汇天航空航天科技有限公司 | 点云数据处理方法、计算设备、飞行装置及存储介质 |
CN115375713A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 地面点云的分割方法、装置及计算机可读存储介质 |
-
2022
- 2022-04-27 CN CN202210458859.1A patent/CN114820657A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311457A (zh) * | 2022-10-09 | 2022-11-08 | 广东汇天航空航天科技有限公司 | 点云数据处理方法、计算设备、飞行装置及存储介质 |
CN115375713A (zh) * | 2022-10-25 | 2022-11-22 | 杭州华橙软件技术有限公司 | 地面点云的分割方法、装置及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3171292B1 (en) | Driving lane data processing method, device, storage medium and apparatus | |
WO2022016311A1 (zh) | 基于点云的三维重建方法、装置和计算机设备 | |
CN114820657A (zh) | 地面点云分割方法、系统、地面建模方法及介质 | |
KR20210008083A (ko) | 목표 검출 방법 및 장치 및 지능형 주행 방법, 기기 및 저장 매체 | |
CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
CN114596555A (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN112789521B (zh) | 感知区域的确定方法、装置、存储介质及车辆 | |
CN112085843A (zh) | 一种隧道类目标特征实时提取及测量方法和装置 | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
WO2022078342A1 (zh) | 动态占据栅格估计方法及装置 | |
CN115097419A (zh) | 一种激光雷达到imu的外参标定方法及装置 | |
CN113282088A (zh) | 工程车的无人驾驶方法、装置、设备、存储介质及工程车 | |
CN112034482A (zh) | 一种道路边界实时提取及测量方法和装置 | |
CN115618602A (zh) | 一种车道级场景仿真方法及系统 | |
CN114882458A (zh) | 一种目标跟踪方法、系统、介质及设备 | |
CN113624223B (zh) | 一种室内停车场地图构建方法及装置 | |
CN115359332A (zh) | 基于车路协同的数据融合方法、装置、电子设备及系统 | |
CN115588047A (zh) | 一种基于场景编码的三维目标检测方法 | |
US11544899B2 (en) | System and method for generating terrain maps | |
Vatavu et al. | Environment perception using dynamic polylines and particle based occupancy grids | |
Jaspers et al. | Fast and robust b-spline terrain estimation for off-road navigation with stereo vision | |
Lambert et al. | Optimizing learned object detection on point clouds from 3D lidars through range and sparsity information | |
Kubertschak et al. | Fusion routine independent implementation of advanced driver assistance systems with polygonal environment models | |
CN116243339A (zh) | 激光点云的检测方法、装置、车辆及存储介质 | |
CN210515810U (zh) | 一种基于三维激光视觉和高精度车道模型的计算机评判系统 |
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 |