CN114897669A - 一种标注方法、装置及电子设备 - Google Patents

Abstract

本发明实施例提供了一种标注方法、装置及电子设备。其中，所述方法包括：获取目标区域的目标三维点云；将所述目标三维点云映射至二维栅格地图，其中，所述二维栅格地图被划分为多个栅格；根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中标注障碍物，其中，所述点云密度与栅格内包含的点云数量成正比。可以通过将三维点云映射至栅格地图的方式，确定出各个栅格内的点云密度，而障碍物区域的点云密度相对非障碍物区域的点云密度更高，因此基于栅格的点云密度能够在二维栅格地图中标注出障碍物。由于无需人工标注障碍物，因此障碍物标注的效率更高。

Description

一种标注方法、装置及电子设备

技术领域

本发明涉及机器视觉技术领域，特别是涉及一种标注方法、装置及电子设备。

背景技术

“先建立地图，后基于所建立的地图进行定位”是自动驾驶技术的主流方法之一，该方法将定位技术拆分成2个步骤：构建场景的高精度地图以及基于场景的公高精度地图实现高精定位。因此定位的准确性依赖于地图的精度。所以确保高精度地图的精确性是整个定位技术的关键所在。

而为确保高精度地图的准确性，需要在高精度地图中准确的标注出各个目标物体，如障碍物的位置。相关技术中往往采用人工标注的方式进行障碍物的标注，效率较低。

发明内容

本发明实施例的目的在于提供一种标注方法、装置及电子设备，以提高标注效率。具体技术方案如下：

本发明的第一方面，提供了一种标注方法，所述方法包括：

获取目标区域的目标三维点云；

将所述目标三维点云映射至二维栅格地图，其中，所述二维栅格地图被划分为多个栅格；

根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中标注障碍物，其中，所述点云密度与栅格内包含的点云数量成正比。

本发明的第二方面，提供了一种标注装置，所述装置包括：

数据获取模块，用于获取目标区域的目标三维点云；

点云映射模块，用于将所述目标三维点云映射至二维栅格地图，其中，所述二维栅格地图被划分为多个栅格；

障碍物标注模块，用于根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中标注障碍物，其中，所述点云密度与栅格内包含的点云数量成正比。

本发明的第三方面，提供了一种电子设备，包括：

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现上述第一方面任一所述的方法步骤。

本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面任一所述的方法步骤。

本发明实施例有益效果：

本发明实施例提供的标注方法、装置及电子设备，可以通过将三维点云映射至栅格地图的方式，确定出各个栅格内的点云密度，而障碍物区域的点云密度相对非障碍物区域的点云密度更高，因此基于栅格的点云密度能够在二维栅格地图中标注出障碍物。由于无需人工标注障碍物，因此障碍物标注的效率更高。

当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。

附图说明

为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。

图1为本发明实施例提供的标注方法的一种流程示意图；

图2为本发明实施例提供的应用于标注方法的垂直角评估方法原理示意图；

图3为本发明实施例提供的应用于标注方法的点云地图滤地效果示意图；

图4为本发明实施例提供的障碍物栅格确定方法的一种流程示意图；

图5为本发明实施例提供的障碍物及车位标注结构示意图；

图6为本发明实施例提供的另一种标注方法的流程示意图；

图7为本发明实施例提供的映射得到的目标三维点云的效果示意图；

图8为本发明实施例提供的标注装置的一种结构示意图；

图9为本发明实施例提供的电子设备的一种结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本申请所获得的所有其他实施例，都属于本发明保护的范围。

为了更清楚的对本发明实施例提供标注方法进行说明，下面将对本发明实施例提供的标注方法的一种可能的应用场景进行示例性说明，可以理解的是，以下示例仅是本发明实施例提供的标注方法的一种可能的应用场景，在其他可能的实施例中，本发明实施例提供的标注方法也可以应用于其他可能的应用场景，以下示例对此不做任何限制。

对于具备自动驾驶功能的车辆(下文称自动驾驶车辆)，可以通过激光雷达LiDAR扫描周边场景，从而构建自动驾驶车辆所处区域的局部点云，通过将局部点云与预先建立的全局点云进行配准，自动驾驶车辆能够确定出自身在全局坐标系中所处的位置。自动驾驶车辆结合自身所处的位置以及标注出的障碍物在全局坐标系下的位置，从而合理规划行驶路线，以避免与障碍物发生碰撞。

而相关技术中，障碍物的标注往往是通过人工标注实现的，一方面，人工标注的效率较低，另一方面，人工标注障碍物需要首先通过建立地图，再由人工在所建立的地图中标注障碍物，才能够基于所建立的地图进行定位，导致建立地图和定位无法无缝连接。

基于此，本发明实施例提供了一种标注方法，参见图1，图1所示为本发明实施例提供的标注方法的一种流程示意图，包括：

S101，获取目标区域的目标三维点云。

S102，将目标三维点云映射至二维栅格地图。

其中，二维栅格地图被划分为多个栅格。

S103，根据二维栅格地图中各个栅格的点云密度，在二维栅格地图中标注障碍物。

其中，点云密度与栅格内包含的点云数量成正比。

选用该实施例，可以通过将三维点云映射至栅格地图的方式，确定出各个栅格内的点云密度，而障碍物所处的区域的点云密度相对其他区域的点云密度更高，因此基于栅格的点云密度能够在二维栅格地图中标注出障碍物。由于无需人工标注障碍物，因此障碍物标注的效率更高。

另一方面，由于本发明实施例提供的标注方法能够基于目标三维点云自动标注障碍物，，从而使得后续能够基于标注的障碍物进行定位，因此能够实现建立地图与定位之间的无缝连接。

下面将分别对前述S101-S103进行说明：

在S101中，获取目标三维点云的方式根据应用场景的不同可以不同，但是获取的目标三维点云的精度需要高于预设精度阈值，以使得后续能够根据目标三维点云准确标注障碍物。并且目标三维点云可以是由本发明实施例提供的标注方法的执行主体基于LiDAR扫描得到的激光帧构建得到的，也可以是由除执行主体以外其他设备基于激光帧构建得到的，本实施例对此不做任何限制。

下文将对如何获取三维点云进行示例性说明，可以参见下文中关于如何获取目标三维点云的相关说明，在此不再赘述。

在S102中，目标三维点云可以视为三维地图，二维栅格地图为二维地图，因此将目标三维点云映射至二维栅格地图的过程中可以视为将目标三维点云中的点投影至一个二维平面，该二维平面根据应用场景的不同，可以是与地面平行的平面，也可以是与地面呈一定夹角的平面，本实施例对此不做任何限制。

并且，可以是将目标三维点云中的所有点云映射至二维栅格地图，也可以是将目标三维点云中的部分点云映射至二维栅格地图。示例性的，在一种可能的实施例中，仅将目标三维点云中属于感兴趣空间内的点云映射至二维栅格地图，其中，感兴趣空间可以是根据实际需求和/或经验设置的空间，例如，本领域的技术人员根据经验可以确定目标三维点云中仅有某部分区域存在障碍物，则可以基于此，将该部分区域作为感兴趣空间。在另一种可能的实施例中，仅将目标三维点云中不属于地面的点云映射至二维栅格地图。再又一种可能的实施例中，仅将目标三维点云中属于感兴趣空间且不属于地面的点云映射至二维栅格地图。

对于不将目标三维点云中属于地面的点云映射至二维栅格地图的情况，需要在目标三维点云中去除属于地面的点云，该过程称为滤地处理，为描述方便，本文中将经过滤地处理的目标三维点云称为滤地后三维点云。

在一种可能的实施例中，可以根据各点云的坐标以及地面的平面表达式，确定各点云是否属于地面，从而实现滤地处理。在另一种可能的实施例中，针对目标三维点云中每个点带中的每个点云，计算该点云与点带中的地面点云之间连线的垂角，若垂角小于预设角度阈值，则确定该点云为属于地面的点云。

其中，点带为同一激光帧中水平方位相同的点云的集合，地面点云为已经确定为属于地面的点云。示例性的，如图2所示，图2中各点云属于同一点带，并且该点带中包括点P_a、P_b以及P_c。为方便描述，将P_a的坐标记为{x_a，y_a，z_a}，并将P_b的坐标记为{x_b，y_b，z_b}，将P_c的坐标记为{x_c，y_c，z_c}，其中，P_a为地面点云，P_b和P_c为待判定是否为属于地面的点云。

则对于P_b，按照下式计算连接线P_aP_b的垂角θ_ab：

其中，

假设预设角度阈值Th_θ＝10.0°，若θ_ab小于Th_θ，则确定P_b为属于地面的点云。若θ_ab大于Th_θ，则确定P_b不为属于地面的点云。

相应的，对于P_b为属于地面的点云的情况，可以连接P_b和P_c两点云，计算连接线P_bP_c的垂角，从而判断P_c是否为属于地面的点云。对于P_b为不属于地面的点云的情况，可以连接P_a和P_c两点云，计算连接线P_aP_c的垂角，从而判断P_c是否为属于地面的点云。

关于滤地处理的效果可以参见图3，其中，图3上半部分为目标三维点云，图3的下半部分为滤地后三维点云。

在S103中，标注障碍物的方式根据应用场景的不同可以不同，但是应当满足以下条件：点云密度越高的栅格属于障碍物区域的概率越高。

示例性的，在一种可能的实施例中，在二维栅格地图中标注障碍物的方式如图4所示，包括：

S1031，根据二维栅格地图中各个栅格的点云密度，在二维栅格地图中确定属于障碍物区域的障碍物栅格。

在一种可能的实施例中，将所有点云密度大于预设阈值的栅格确定为障碍物栅格，示例性的，假设二维栅格地图中各栅格的尺寸一致，则点云密度可以是以栅格中包括的点云的数量表示，各栅格包含的点云的数量与各栅格的点云密度成正比，在该示例中，将所有至少包含2个点的栅格确定为障碍物栅格。

在另一种可能的实施例中，在二维栅格地图中确定点云密度大于预设密度阈值的栅格，作为占据栅格，针对每个占据栅格，若占据栅格的邻域内存在至少一个占据栅格，将占据栅格和邻域内的栅格确定为障碍物栅格。

示例性的，假设二维栅格地图的密度阈值为2个点云每个栅格，每个栅格的邻域内的栅格可以为该栅格周围的8个栅格(在其他可能的实施例中，邻域内的栅格也可以是其他形状，如上下左右四个栅格、上下两个栅格等)，则在确定障碍物栅格时，需要将二维栅格地图中所有至少包含2个点云的栅格确定为占据栅格，依次针对每个占据栅格，查找该占据栅格领域内的栅格即周围的8个栅格内是否存在占据栅格，若存在，则将该占据栅格以及该占据栅格周围8个栅格确定为障碍物栅格。

可以理解的是，障碍物具有一定的尺寸，因此若一个栅格为障碍物栅格，则理论上该栅格邻域内也应当存在障碍物栅格，而若一个栅格为障碍物栅格，且该栅格邻域内不存在障碍物栅格，则认为该障碍物栅格是由于错误识别点云的噪点得到的。因此选用该实施例，可以通过占据栅格周围是否存在其他占据栅格的方式，降低将点云噪点错误识别而错误判断栅格的点云密度，进而错误将点云密度不准确的栅格作为为障碍物栅格的概率，提高确定出的障碍物栅格的准确性，从而更准确地标注障碍物。

S1032，将障碍物栅格划分为至少一个障碍物栅格组。

划分方式根据应用场景的不同可以不同，但是应当满足：每个障碍物栅格组内任意两个障碍物栅格之间的距离小于预设距离阈值。示例性的，在一种可能的实施例中，可以是通过聚类的方式对各个障碍物栅格进行聚类，得到至少一个障碍物栅格组，并且该示例中，每个障碍物栅格组内至少包含N个障碍物栅格，且障碍物栅格组内任意两个障碍物栅格之间的距离小于预设距离阈值，N为任意正整数，如3、4、6等。

两个障碍物栅格之间的距离可以是指：两个障碍物栅格的栅格中心之间的直线距离，也可以是指：两个障碍物栅格的栅格中心之间的曼哈顿距离，还可以是指两个栅格之间间隔的栅格数量。根据障碍物栅格之间的距离的形式不同，预设距离阈值可以不同，示例性的，预设距离阈值可以为10cm、15cm、30cm等，也可以为1个栅格、2个栅格、3个栅格等。

在一种可能的实施例中，可以是使用DBSCAN算法对二维栅格地图中的各障碍物栅格进行聚类，得到障碍物栅格组。

S1033，针对每个障碍物栅格组，确定将障碍物栅格组包围在内的最小凸包区域。

S1034，将最小凸包区域标注为障碍物。

可以理解的是，通过划分得到的障碍物栅格组并不一定就是障碍物，因此为进一步提高标注的准确性，可以结合先验知识进一步确定障碍物栅格组是否为障碍物。示例性的，若障碍物栅格组的尺寸满足预设先验尺寸条件，则将包含障碍物栅格组的凸包区域标注为障碍物，作为一种示例，可以基于Graham算法(一种凸包算法)对障碍物栅格组进行凸包绘制，得到该障碍物栅格组对应的最小凸包区域。例如，对于障碍物以车辆为主的场景，由于车辆的水平尺寸往往不小于2m，且竖直尺寸往往不小于4m，因此在该示例中，将包含水平尺寸不小于2m、且竖直尺寸不小于4m的障碍物栅格组的最小凸包区域标注为障碍物。

示例性的，可以参见图5，其中图5上半部分中的凸包区域为标注为垂直于障碍车的障碍物区域。图5下半部分中的凸包区域为标注为水平于障碍车的障碍物区域。

在前述自动驾驶车辆的应用场景中，自动驾驶车辆除了需要根据标注的障碍物合理规划行驶路线，在一些应用场景中，还需要基于标注的车位进行停车。基于此，在一种可能的实施例中，本发明实施例提供的标注方法如图6所示还包括：

S104，确定两个相邻的障碍物之间的区域，作为空闲区域。

本文中两个相邻的障碍物是指两个障碍物之间不存在其他的障碍物，示例性的，以图5上半部分为例，其中左数第一个障碍物和左数第二个障碍物为相邻的障碍物，左数第二个障碍物和左数第三个障碍物为相邻的障碍物，以此类推。

S105，若空闲区域的尺寸小于预设车位尺寸，将空闲区域标注为车位。

在前述S104中，确定空闲区域的方式根据应用场景的不同可以不同，示例性的，在一种可能的实施例中，确定第一障碍物的第一边界和第二障碍物的第二边界，确定第一边界与第二边界之间的区域，作为空闲区域。

其中，第一障碍物和第二障碍物为任意两个相邻的障碍物，且第一障碍物和第二障碍物位于第一边界的不同侧，且第一障碍物和第二障碍物位于第二边界的不同侧。第一边界和第二边界可以是通过任意方式提取得到的，如第一边界可以是对第一障碍物的最小凸包区域靠近第二障碍物一侧的边界根据栅格的点云密度拟合得到的第一障碍物的边界直线，第二边界可以是对第二障碍物的最小凸包区域靠近第一障碍物一侧的边界根据栅格的点云密度拟合得到的第二障碍物的边界直线。

具体的，在进行拟合时可以基于障碍物关于尺寸的先验信息设置该障碍物的边界直线拟合的收敛条件，若所拟合出来的直线不满足该障碍物的收敛条件，则将拟合出来的直线作为先验信息带入下一次边界直线拟合过程中，若拟合出来的直线满足该障碍物的收敛条件，则将该直线为障碍物边界直线。可以理解的是，两个相邻的障碍物的边界直线(第一边界和第二边界)可以构成一个空闲区域，若该空闲区域大于预设车位尺寸，则将其标注为车位。

作为一种示例，在拟合障碍物的边界直线时，可以基于该障碍物对应的最小凸包区域包含的障碍物栅格组生成栅格灰度图，各栅格的灰度计算公式为：

其中，D_i为障碍物栅格组中当前栅格内的点云密度值，D_max为整个障碍物栅格组中栅格的最大点云密度值。为障碍物栅格组的各栅格的栅格灰度分别设置水平、竖直方向范围的栅格灰度阈值，该范围阈值可以是本领域技术人员根据实际需求设置的，也可以是根据经验设置的，本发明对此并不限定，根据栅格灰度阈值和各栅格的栅格灰度在生成的灰度图中截取障碍物边界，例如，在水平方向上，若一个栅格的栅格灰度低于其水平方向上设置的范围阈值时，则说明该栅格的点云密度过低，可能不属于该障碍物所在区域，因此，可以在截取障碍物边界时将该栅格截取掉。

基于Hough变换(霍夫变换)将前述截取得到的障碍物边界提取为直线，若所提取的直线在障碍物外侧的栅格的点云密度值远低于障碍物内的栅格的点云密度，并且所提取的直线的长度与障碍物边界尺寸先验值(例如水平尺寸不小于2m、且竖直尺寸不小于4m)的差值在一定阈值范围内，则可以认为所提取的直线即为障碍物边界直线，反之，则将所提取的直线作为一个范围边界，下一次的边界提取将基于此范围边界完成，示例性的，若此次提取的直线被作为范围边界，则在下次的障碍物边界直线提取中应该在该范围边界外提取直线，该直线才有可能为障碍物边界直线。并且，如前所述，障碍物边界直线提取完成后，两个相邻的障碍物的障碍物边界直线(即第一边界和第二边界)即组成一个空闲区域。

在前述S105中，可以理解的是，由于两个相邻的障碍物之间不存在其他障碍物，因此若两个障碍物之间的空闲区域大于预设车位尺寸，则能够将车辆停放于该空闲区域，因此可以将该空闲区域标注为车位。标注出的车位可以如图5所示，图5上部分部分的区域1即为标注的垂直车位，图5下部分部分的区域2即为标注的水平车位。选用该实施例，能够在标注障碍物的基础上进一步标注车位，提高标注方法的适用性。

下面将对如何获取目标三维点云进行示例性说明，在一种可能的实施例中，前述S101包括：

S1011，获取LiDAR扫描目标区域得到的多个激光帧以及多个激光帧各自的位姿。

S1012，针对每个激光帧，根据激光帧的位姿将激光帧中的点云映射至全局坐标系，得到目标三维点云。

本文中全局坐标系为任意满足以下条件的坐标系：现实空间中任意点在该坐标系中的坐标不随LiDAR的运动而改变，例如全局坐标系可以是世界坐标系。全局坐标系的具体表示形式，可以根据实际计算需求而定，本申请实施例不作具体限定。

下面将分别对前述S1011和S1012进行说明：

在前述S1011中，获取到各激光帧的位姿可以是基于惯性传感器IMU测量得到的LiDAR的运动数据确定得到的。可以理解的是，IMU实时测量得到LiDAR的运动数据可能由于环境因素等存在一定的不准确性，因此，根据该运动数据得到的各激光帧的位姿也可能有一定的误差，基于此，在一种可能的实施例中，前述S1011中通过以下方式获取多个激光帧各自的位姿：

S10111，基于IMU测量得到的LiDAR的运动数据，分别确定LiDAR采集得到各个激光帧时所处的位姿，作为激光帧的位姿初值。

S10112，针对每个激光帧，根据激光帧的位姿初值，将激光帧中的点云映射至全局坐标系，得到激光帧对应的第一当前点云。

S10113，针对每个激光帧，对激光帧对应的第一当前点云与局部点云进行配准，得到激光帧的位姿。

其中，在S10111中，如前所述，IMU可以对LiDAR在采集各个激光帧时的运动数据进行测量，从而可以根据各激光帧在采集时LiDAR的运动数据确定各激光帧的位姿，将该位姿作为该激光帧的位姿初值。

作为一种示例，还可以通过IMU测量出一个激光历史帧的位姿信息，由于IMU预积分可以输出相邻节点的激光帧的位姿变换关系，因此，可以基于当前激光帧之前的激光历史帧的位姿信息结合位姿变换关系，估算得到当前激光帧的位姿初值。具体的，IMU预积分可输出相邻激光帧节点的位姿变换矩阵T_imu，而前一个激光历史帧的位姿[R_i-1，t_i-1]是已知的，则通过位姿变换公式即可求解当前激光帧的位姿初值[R_{i_init}，t_{i_init}]：

[R_{i_init}，t_{i_init}]＝T_imu*[R_i-1，t_i-1]

在一种可能的实施例中，上述激光历史帧还可以是激光历史关键帧，可以理解的是，激光历史关键帧在激光历史帧中更有代表性，选用激光历史关键帧的位姿信息来获取当前激光帧的位姿初值也可以更加准确。其中，可以计算当前激光历史帧与前一激光历史关键帧的位姿变换关系，并以此为依据判定当前激光历史帧是否为激光历史关键帧。

具体的，计算当前激光历史帧与前一激光历史关键帧的旋转角变换Δroll、俯仰角变换Δpitch、航向角变换Δyaw、平移变换Δtrans，设置旋转角变换阈值Th_roll＝1°、俯仰角变换阈值Th_pitch＝1°、航向角变换阈值Th_yaw＝1°、平移变换阈值Th_trans＝0.5m，当上述变换数据中的某一个维度的变换量大于该维度所对应的阈值时，可以认为当前的激光历史帧为激光历史关键帧，其中，第一个激光历史关键帧是已知的关键帧，其可以是本领域技术人员根据需求或经验自行指定的。

其中，在S10112中，激光帧的位姿初值是根据LiDAR的运动数据得到的，示例性的，激光帧的位姿初值可以是LiDAR采集到该激光帧时自身所处的位置和扫描角度，可以理解，该位姿初值的坐标系为全局坐标系，而针对于每个激光帧，其中各点云可以根据其与LiDAR的距离和LiDAR扫描到该点云时的夹角，在其所处的激光帧中建立局部坐标系，因此，将激光帧的点云映射至全局坐标系的过程可以是，根据激光帧的位姿初值(即激光帧相对LiDAR的位置关系)将激光帧的各点云在激光帧的局部坐标转换为在全局坐标系中的坐标(即激光帧中各点云相对LiDAR的位置关系)，从而得到激光帧对应的第一当前点云。

其中，在S10113中，局部点云为基于位姿已知的激光帧构建得到的三维点云中局部区域内的点云。

位姿已知的激光帧可以是相同工作参数的LiDAR在与当前正在工作的LiDAR不同地理位置的区域扫描周围环境获得的激光帧，例如，位姿已知的激光帧可以是相同工作参数的LiDAR在距离当前正在工作的LiDAR欧式距离20m以内的位置扫描周围环境得到，可以理解的是，在获取一个区域的点云时，仅仅将LiDAR放置在一个位置进行扫描也只能获取到这个位置相关的点云数据，因此，通常在获取一个区域的点云数据时，需要将LiDAR放置在多个不同的区域分别采集数据，而距离当前正在工作的LiDAR较近的LiDAR采集到的点云数据对应的周围环境，与当前正在工作的LiDAR采集到的点云数据对应的周围环境会有一定的重合，因此，可以将距离当前正在工作的LiDAR预设欧式距离内的LiDAR采集到的激光帧作为位姿已知的激光帧，进而对当前正在工作的LiDAR采集到的点云数据进行配准。由于这些位姿已知的激光帧的位姿是确定的，可以根据这些位姿已知的激光帧的位姿，将这些位姿已知的激光帧的点云映射到全局坐标系中，得到这些位姿已知的激光帧对应的局部区域内的点云，即局部点云(也可称为局部地图)，具体的映射过程可以参见S10112的描述，此处不再赘述，本文中的局部区域应当包括第一当前点云所处区域在内，且局部区域的尺寸应当小于预设尺寸下限阈值。

具体的，再将第一当前点云与局部点云进行配准，以得到激光帧的位姿时，可以是确定第一当前点云相对局部点云的偏移转动量，按照偏移转动量对位姿初值进行偏移转动，得到激光帧的位姿，其中，局部点云为基于位姿已知的激光帧构建得到的三维点云中局部区域内的点云。可以理解的是，局部点云与第一当前点云的采集地点不同，因此，局部点云数据和第一当前点云数据对于相同的环境和物体可能会采集到位姿不同的激光帧，进而基于激光帧的位姿映射得到点云数据也不同。因此，在配准第一当前点云与局部点云时，根据第一当前点云对应的激光帧的位姿初值和局部点云对应的位姿已知的激光帧的位姿，确定出位姿初值相对于位姿已知的激光帧的位姿的转换关系，从而根据该转换关系将第一当前点云映射到局部点云对应的激光帧所在的局部坐标系中，以此可以将新得到的第一当前点云和局部点云在同一坐标系中进行比较，进而根据第一当前点云与局部点云的位置差异，确定出第一当前点云与局部点云的偏移转动量。

根据该偏移转动量确定出第一当前点云对应的激光帧的位姿初值与局部点云对应的位姿已知的激光帧的位置的差量，根据该差量将第一当前点云对应的位姿初值进行偏移转动，得到配准后的激光帧的位姿。

如前所述的方法中，点云的相互配准的过程是将第一当前点云与局部点云中的所有点云进行配准，而这样的配准方法效率不高，因此，在一种可能的实施例中，也可以是将第一当前点云中的特征点云与局部点云进行配准，来得到激光帧的位姿，以提高配准效率。其中，确定第一当前点云的特征点云的过程可以是：构建关于LiDAR的点云极化矩阵，根据该点云极化矩阵确定第一当前点云的特征点云。

具体的，根据LiDAR的工作参数确定点云极化矩阵的大小；根据第一当前点云中各点云在通过LiDAR采集时相对于LiDAR的位置，确定各点云的行坐标、列坐标和深度值；根据点云极化矩阵的大小和各点云的行坐标、列坐标和深度值构建点云极化矩阵；根据点云极化矩阵确定第一当前点云中的特征点云；对特征点云与局部点云进行配准。

在构建点云极化矩阵时，可以根据LiDAR的工作参数确定点云极化矩阵的大小，例如，将LiDAR的扫描线的数量作为点云极化矩阵的行数，根据LiDAR的扫描线的水平角分辨率确定点云极化矩阵的列数，示例性的，若水平角分辨率为0.2°，则点云极化矩阵的列数为360°/0.2°＝1800。可以理解的是，不同的LiDAR可以具有不同数量的扫描线和水平角分辨率，扫描线的数量可以是16条或15条等，水平角分辨率可以为0.2°或0.1°等，本发明对此并不限定。

第一当前点云的各点云在点云极化矩阵的坐标可以是根据各点云在采集时的位置确定的。作为一个示例，若本发明的LiDAR具有16条扫描线，水平角分辨率为0.2°，LiDAR在采集第一当前点云时可以确定出各点云相对于LiDAR的位置，具体的，可以基于各点云在采集时所属的激光线的条数确定其在点云极化矩阵中的行坐标，基于各点云在采集时所在水平方位角θ，计算其在点云极化矩阵中的列坐标，计算公式为row＝θ/0.2°，而点云极化矩阵中的深度值为各点云在采集时距LiDAR的欧氏距离。以此确定了第一当前点云中各点云的坐标和深度值，又如前所述根据LiDAR的工作参数可以确定出点云极化矩阵的大小，基于此，构建点云极化矩阵。

第一当前点云的特征点云除了角特征点和面特征点，还可以包括其他的特征点云，例如线特征点等等，本发明对具体的哪种类型的特征点云进行筛选并不限定。

作为一种示例，可以基于构建好的点云极化矩阵计算第一当前点云中点云的曲率，根据曲率来筛选第一当前点云中的角特征点和面特征点。具体的，选取点云极化矩阵中的某个点，该点的选取需要满足以下条件：矩阵中的该点左右具有等数量的矩阵点，这些矩阵点与该点处在同一矩阵行中。基于此，根据以下点云曲率计算公式计算选取的该点对应的点云i的曲率c_i：

S为点云极化矩阵中分布在点云i左右两侧的点集，||代表点集的数量，r_j为S中第j个点云在点云极化矩阵中的深度值，r_i为点云i在点云极化矩阵中的深度值。基于面特征点的曲率小而角特征点的曲率大的特点，可以为角特征点和面特征点分别设置曲率阈值，根据曲率阈值筛选计算得到的曲率，进而筛选特征点云。作为一种示例，设置角特征点曲率阈值Th_edge＝1.0，面特征点曲率阈值Th_plan＝0.1，可以理解，当选取的点对应的点云的曲率大于Th_edge，则该点云为角特征点，当选取的点对应的点云的曲率小于或等于Th_plan时，则该点云为面特征点。可以理解的是，本发明对角特征点和面特征点设置的曲率阈值并不限定，可以根据本领域技术人员的经验或实际需求进行设置。

在将第一当前点云的特征点云与局部点云进行匹配时，针对角特征点，可以采用点线匹配方法，示例性的，若点云i为当前激光帧中的某个角特征点，在局部点云中寻找与该点云i最近的5个角特征点，若这5个角特征点能拟合成一条直线，则说明匹配成功，保留这些成功匹配的角特征点。针对面特征点，可以采用点面匹配方法，示例性的，若点云j为当前激光帧中的某个面特征点，在局部点云中寻找与点云j距离最近的5个面特征点，若这5个面特征点能拟合成一个平面，则匹配成功，保留这些成功匹配的面特征点。将所有第一当前点云中的角特征点和面特征点都与局部点云匹配后能够保留得到局部点云中与第一当前点云的特征点云相匹配的特征点云，基于L-M算法(Levenberg-Marquardt算法，列文伯格-马夸尔特算法)和互相匹配的第一当前点云中的特征点云和局部点云中的特征点云，能够求解得到第一当前点云对应的激光帧的位姿。

选用该实施例，能够基于局部点云与第一当前点云之间的配准，对激光帧的位姿初值进行校正，以得到更为准确的激光帧的位姿，从而获取精度更高的目标三维点云。

在前述S1012中，可以根据已经获得的激光帧的位姿直接将激光帧的点云映射到全局坐标系统，以得到目标三维点云进行后续使用，可以理解的是，各个激光帧的位姿获取时可能由于环境因素等影响有一定偏差，进而根据激光帧的位姿得到的目标三维点云也可能不够准确，基于此，在一种可能的实施例中，前述S1012中通过以下方式得到目标三维点云：

S10121，针对多个激光帧中的每个激光帧，根据激光帧的位姿，将激光帧的点云映射至全局坐标系，得到激光帧对应的第二当前点云。

S10122，针对每个激光帧，对激光帧对应的第二当前点云与全局点云进行配准，得到激光帧的矫正后的位姿。

S10123，针对每个激光帧，根据激光帧的矫正后的位姿将激光帧中的点云映射至预设全局坐标系，得到目标三维点云。

其中，在S10121中，此步骤与S10112类似，只是激光帧的位姿不同，具体可以参见S10112的描述，此处不再赘述。

其中，在S10122中，全局点云为基于位姿已知的激光帧构建得到的三维点云中全部的点云。

如前所述，位姿已知的激光帧可以是相同工作参数的LiDAR在与当前正在工作的LiDAR不同地理位置的区域扫描周围环境获得的激光帧，在此实施例中，由于是将全局点云与第二当前点云进行配置，需要尽可能获取范围较大的区域的点云数据，因此，可以设置欧氏距离阈值Th_dis＝20.0m，将与当前正在工作的LiDAR的位置距离超过20m的LiDAR所采集的激光帧作为位姿已知的激光帧，这样的位姿已知的激光帧中包含了该区域更加全面的点云数据。作为一种示例，设置欧氏距离阈值Th_dis＝20.0m，获取与当前正在工作的LiDAR欧氏距离超过Th_dis的连续25个历史关键帧，将这些历史关键帧作为位姿已知的激光帧，根据其位姿将各位姿已知的激光帧映射到全局坐标系，得到各位姿已知的激光帧对应的全局区域内的点云数据，即全局点云，其过程与步骤S10112类似，具体可以参见S10112的描述，本文中的全局区域应当包括第一当前点云所处区域在内，且全局区域的尺寸应当不小于预设尺寸上限阈值，预设尺寸上限阈值大于前述预设尺寸下限阈值。

在一种可能的实施例中，还可以是将位姿已知的激光帧对应的点云数据中的特征点云映射到全局坐标系中，来获取全局坐标，其中，特征点云的确定方法与S10113类似，具体可以参见在S10113的描述。选用该实施例，使用位姿已知的激光帧的特征点云代表所有点云数据可以在保留位姿已知的激光帧特征的同时将点云的映射计算量减少，进而提高标注效率。

具体的，在将全局点云与第二当前点云进行配准时，可以如S10113中描述的方法，采用点线匹配方法和点面匹配方法通过匹配角特征点和面特征点配准全局点云与第二当前点云，根据互相匹配的点云求解得到激光帧的矫正后的位姿。

在一种可能的实施例中，还可以基于ICP方法(Iterative Closest Point，最近点搜索法)将第二当前点云中的特征点云与全局点云进行配准，根据互相匹配的点云求解得到激光帧的矫正后的位姿。

其中，在S10123中，此步骤与S10112类似，只是位姿不同，具体可以参见S10112的描述，此处不再赘述。

仅根据激光帧矫正后的位姿得到目标三维点云，若激光帧矫正后的位姿出现误差，还是可能导致后续得到的目标三维点云不准确，基于此，在根据激光帧的所述矫正后的位姿将激光帧中的点云映射至预设全局坐标系，得到目标三维点云时，除了上述S10112的方法，在一种可能的实施例中，还可以：对每个激光帧的矫正后的位姿进行位姿平滑，得到每个激光帧的优化后的位姿；针对每个激光帧，根据所述激光帧的所述优化后的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云。

位姿平滑可以是采用均值滤波的方法或插值方法实现的，在一种可能的实施例中，还可以是建立iSAM2(增量式平滑和建图方法)因子图优化器，将激光前端里程计结果与激光帧的矫正后的位姿一同放入iSAM2中，通过iSAM2进行位姿平滑，即可获取激光帧的优化后的位姿，根据激光帧的优化后的位姿，将激光帧中的点云数据映射到全局坐标系，以得到目标三维点云，其中，具体的映射过程可以是将激光帧中的特征点云映射到全局坐标系中得到目标三维点云，也可以是将激光帧中的所有点云映射到全局坐标系中得到目标三维点云，参见图7，图7为映射得到的目标三维点云的图片。

选用该实施例，可以基于全局地图进一步对激光帧的位姿进行矫正，以得到更为准确的激光帧的位姿，从而获取精度更高的目标三维点云。

在实际通过LiDAR获取的激光帧，每个激光帧会包含多个等扇角数据，在根据激光帧的位姿进行后续的目标三维点云获取时，还需要对激光帧的每个扇角数据进行处理，基于此，本发明还提供了一种获取目标三维点云的方法，每个激光帧包括多个扇角数据，方法包括：

S1021，获取激光雷达LiDAR扫描目标区域得到的多个激光帧以及多个激光帧各自的位姿。

此步骤与S1011相同，具体可以参见S1011的描述，此处不再赘述。

S1022，针对多个激光帧中的每个激光帧，确定激光帧中采集时间相邻的扇角数据的采集时间之间的间隔。

S1023，针对任一间隔不大于预设间隔阈值的每个激光帧，根据激光帧的位姿将激光帧中的点云映射至预设全局坐标系，得到目标三维点云。

其中，在S1022中，如前所述，不同的LiDAR有不同的工作参数，如工作频率等等，作为一种示例，若选用的LiDAR的工作频率为10Hz，则该LiDAR的每个激光帧的采集时间为100ms，每个激光帧包含了75个等扇角数据，则正常情况下每个扇角数据的采集时间为1.33ms。设相邻扇角数据的采集时间间隔Δt，根据激光帧的采集时间和扇角数据计算Δt。

其中，在S1023中，预设间隔阈值可以根据LiDAR的工作参数进行设置，例如，若正常情况下每个扇角数据的采集时间为1.33ms，则可以设置时间间隔阈值Th_t＝10ms，若计算得到一个激光帧中的任两个个扇角数据之间的采集时间间隔Δt大于阈值Th_t＝10ms，则该说明激光帧在采集过程中有扇角数据没有采集完整，存在数据丢包现象，为了保证获取的数据的准确性，需要筛除掉该激光帧。基于此，对包含的所有扇角数据间隔都不大于预设间隔阈值的每个激光帧，根据激光帧的位姿将激光帧中的点云映射至预设全局坐标系，得到目标三维点云。具体的目标三维点云获得方法可以参见S1012的描述，此处不再赘述。

选用该实施例，可以对LiDAR采集的异常激光帧进行筛除，提高采集的激光帧的数据的准确性，从而提高目标三维点云的准确性。

在一种可能的实施例中，本发明还提供了一种获取目标三维点云的方法，每个激光帧包括多个扇角数据，方法包括：

S1031，获取激光雷达LiDAR扫描目标区域得到的多个激光帧以及多个激光帧各自的位姿。

此步骤与S1011相同，具体可以参见S1011的描述，此处不再赘述。

S1032，针对每个激光帧，基于惯性传感器IMU测量得到的LiDAR的运动数据，分别确定LiDAR采集得到激光帧中各扇角数据时所处的位姿，作为扇角数据各自对应的位姿。

S1033，针对每个所述激光帧，分别根据所述激光帧中每个扇角数据对应的位姿，将每个扇角数据中的点云映射至同一坐标系，得到所述激光帧中的点云。

S1034，针对每个激光帧，根据激光帧的位姿将激光帧中的点云映射至预设全局坐标系，得到目标三维点云。

此步骤与S1012相同，具体可以参见S1012的描述，此处不再赘述。

其中，在S1032中，如前所述，激光帧有一定数量的等扇角数据组成，而IMU可以输出高频位姿数据，例如40Hz、50Hz等等，示例性的，可以选用输出频率50Hz的IMU测量LiDAR的运动数据，来确定各扇角数据的位姿。具体的，确定出激光帧中各扇角的采集时间，生成各扇角数据的采集时间戳，而IMU可以测量LiDAR的运动数据，根据该运动数据可以确定激光帧的位姿数据，基于此，采用线性插值算法根据上述采集时间戳和激光帧的位姿数据计算得到激光帧中各扇角数据所在坐标系的位姿。

其中，在S1033中，可以理解的是，一个激光帧中各个等扇角数据在激光帧中的位置是不同的，因此，针对不同的扇角数据计算得到的位姿所在的坐标系也并不相同。因此，为了便于针对整个激光帧的点云数据的获取，需要统一多个扇角数据的位姿的坐标系，例如可以将各扇角数据的坐标系统一为从Y轴开始的第一个扇角数据的坐标系中，也可以将各扇角数据的坐标系统一为从Y轴开始的第二个扇角数据的坐标系中，本发明对此并不限定。

作为一种示例，可以确定激光帧中每个扇角数据相对于第一扇角数据的位姿变换关系，第一扇角数据为激光帧中的一个扇角数据；根据位姿变换关系，将激光帧中的每个扇角数据映射至第一扇角数据的位姿所属的坐标系中，得到每个扇角数据的新位姿；根据每个扇角数据的新位姿，将每个扇角数据中的点云映射至同一坐标系，得到激光帧中的点云。

具体的，可以将各扇角数据的坐标系统一为从Y轴开始的第一个扇角数据的坐标系中，即，将该扇角数据作为第一扇角数据，具体的，第i个扇角数据所在坐标系的位姿为[R_{i_Ls}，t_{i_Ls}]，第一扇角数据所在坐标系经线性插值后的位姿为[R_{0_Ls}，t_{0_Ls]}，求解2个坐标系之间的位姿变换关系t_{0i_Ls}，如下：

根据以下映射公式将第i个扇角数据的位姿X_i映射到第一扇角数据的位姿所在坐标系中，其中，i为正整数，得到新的位姿X′_i：

X′_i＝R_{0i_Ls}*X_i+t_{0i_Ls}

以此，将激光帧中的各扇角数据的位姿都映射到同一各坐标系中，从而将各扇角数据重新拼接成一个完整的全景环视激光帧，完成位姿补偿，根据各扇角数据映射后得到的新的位姿X′_i，得到各扇角数据映射后得到的点云，所有扇角数据映射后得到的点云组成了激光帧的点云。

选用该实施例，可以基于激光帧的扇角数据获得激光帧的点云，提高了激光帧点云数据的准确性，进而提高目标三维点云的准确性。

对应于本发明实施例提供的标注方法，本发明实施例还提供了一种标注装置，如图8所示，包括：

数据获取模块801，用于获取扫描目标区域得到的三维点云；

点云映射模块802，用于将所述三维点云映射至二维栅格地图，其中，所述二维栅格地图被划分为多个栅格；

障碍物标注模块803，用于根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中标注障碍物。

在一种可能的实施例中，每个所述激光帧包括多个扇角数据，所述装置还包括：

空闲区域确定模块，用于确定两个相邻的障碍物之间的区域，作为空闲区域；

车位确定模块，用于若所述空闲区域的尺寸大于预设车位尺寸，将所述空闲区域标注为车位；

所述空闲区域确定模块，包括：

边界确定单元，用于确定第一障碍物的第一边界和第二障碍物的第二边界，其中，所述第一障碍物和所述第二障碍物为任意两个相邻的障碍物，所述第一障碍物和所述第二障碍物位于所述第一边界的不同侧，且所述第一障碍物和所述第二障碍物位于所述第二边界的不同侧；

空闲区域确定单元，用于确定所述第一边界与所述第二边界之间的区域，作为空闲区域；

所述障碍物标注模块803，包括：

栅格确定单元，用于根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中确定属于障碍物区域的障碍物栅格；

栅格组确定单元，用于将所述障碍物栅格划分为至少一个障碍物栅格组，其中，所述障碍物栅格组内任意两个所述障碍物栅格之间的距离小于预设距离阈值；

凸包区域确定单元，用于针对每个所述障碍物栅格组，确定将所述障碍物栅格组包围在内的最小凸包区域；

障碍物标注单元，用于将所述最小凸包区域标注为障碍物；

其中，所述障碍物标注单元，具体用于：若所述障碍物栅格组的尺寸满足预设先验尺寸条件，将所述最小凸包区域标注为障碍物；

所述栅格组确定单元，包括：

占据栅格子单元，用于在所述二维栅格地图中确定点云密度大于预设密度阈值的栅格，作为占据栅格；

障碍物栅格确定子单元，用于针对每个所述占据栅格，若所述占据栅格邻域内存在至少一个占据栅格，将所述占据栅格和所述邻域内的栅格确定为障碍物栅格；

所述点云映射模块802，包括：

滤地点云确定单元，用于去除所述目标三维点云中属于地面的点，得到滤地后三维点云；

二维栅格地图确定单元，用于将所述滤地后三维点云映射至二维栅格地图；

地面点计算单元，用于针对所述目标三维点云中每个点带中的每个点云，计算所述点云与所述点带中的地面点之间连线的垂角，其中，所述点带为同一激光帧中水平方位相同的点云的集合，所述地面点云为已经确定为属于地面的点云；

地面点确定单元，用于若所述垂角小于预设角度阈值，确定所述点为属于地面的点云；

所述数据获取模块801，包括：

位姿确定单元，用于获取激光雷达LiDAR扫描目标区域得到的多个激光帧以及所述多个激光帧各自的位姿；

目标三维点云确定单元，用于针对每个所述激光帧，根据所述激光帧的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云；

其中，所述位姿确定单元，包括：

位姿初值确定子单元，用于基于惯性传感器IMU测量得到的所述LiDAR的运动数据，分别确定所述LiDAR采集得到各个所述激光帧时所处的位姿，作为所述激光帧的位姿初值；

第一点云确定子单元，用于针对每个所述激光帧，根据所述激光帧的位姿初值，将所述激光帧的点云映射至全局坐标系，得到所述激光帧对应的第一当前点云；

位姿确定子单元，用于针对每个所述激光帧，对所述激光帧对应的所述第一当前点云与局部点云进行配准，得到所述激光帧的位姿，其中，所述局部点云为基于位姿已知的激光帧构建得到的三维点云中局部区域内的点云；

所述位姿确定子单元，具体用于：对所述激光帧对应的所述第一当前点云与局部点云进行配准，确定所述第一当前点云相对所述局部点云的偏移转动量，其中，所述局部点云为基于位姿已知的激光帧构建得到的三维点云中局部区域内的点云；按照所述偏移转动量对所述位姿初值进行偏移转动，得到所述激光帧的位姿；

所述位姿确定子单元，具体还用于：根据LiDAR的工作参数确定点云极化矩阵的大小；根据所述第一当前点云中各点云在通过所述LiDAR采集时相对于所述LiDAR的位置，确定各所述点云的行坐标、列坐标和深度值；根据所述点云极化矩阵的大小和各所述点云的行坐标、列坐标和深度值构建点云极化矩阵；根据所述点云极化矩阵确定所述第一当前点云中的特征点云；对所述特征点云与局部点云进行配准；

所述位姿确定子单元，具体还用于：通过以下公式确定所述第一当前点云中点云i的曲率c_i：

其中，S为所述点云极化矩阵中分布在点云i左右两侧的点集，|S|代表点集的数量，r_j为S中第j个点云在所述点云极化矩阵中的深度值，r_i为点云i在所述点云极化矩阵中的深度值；根据所述第一当前点云中各的点云曲率的大小筛选出第一当前点云中的特征点云；

所述目标三维点云确定单元，包括：

第二点云确定子单元，用于针对所述多个激光帧中的每个激光帧，根据所述激光帧的位姿，将所述激光帧的点云映射至全局坐标系，得到所述激光帧对应的第二当前点云；

矫正位姿确定子单元，用于针对每个所述激光帧，对所述激光帧对应的所述第二当前点云与全局点云进行配准，得到所述激光帧的矫正后的位姿，其中，所述全局点云为基于位姿已知的激光帧构建得到的三维点云中全部的点云；

目标三维点云确定子单元，用于针对每个所述激光帧，根据所述激光帧的所述矫正后的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云；

所述目标三维点云确定子单元，具体用于：对每个所述激光帧的所述矫正后的位姿进行位姿平滑，得到每个所述激光帧的优化后的位姿；针对每个所述激光帧，根据所述激光帧的所述优化后的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云；

所述数据获取模块801，还包括：

扇角间隔确定单元，用于针对所述多个激光帧中的每个激光帧，确定所述激光帧中采集时间相邻的扇角数据的采集时间之间的间隔；

其中，所述目标三维点云确定单元，具体用于：针对任一所述间隔不大于预设间隔阈值的每个所述激光帧，根据所述激光帧的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云；

所述数据获取模块801，还包括：

扇角位姿确定单元，用于针对每个所述激光帧，基于惯性传感器IMU测量得到的所述LiDAR的运动数据，分别确定所述LiDAR采集得到所述激光帧中各扇角数据时所处的位姿，作为扇角数据各自对应的位姿；

激光帧点云确定单元，用于针对每个所述激光帧，分别根据所述激光帧中每个扇角数据各自对应的位姿，将每个扇角数据中的点云映射至同一坐标系，得到所述激光帧中的点云；

其中，所述激光帧点云确定单元，包括：

扇角位姿变换子单元，用于确定所述激光帧中每个扇角数据相对于第一扇角数据的位姿变换关系，所述第一扇角数据为所述激光帧中一个扇角数据；

扇角新位姿子单元，用于根据所述位姿变换关系，确定所述激光帧中每个扇角数据的新位姿，所述新位姿为每个扇角数据在所述第一扇角数据的位姿所在坐标系的位姿；

扇角映射子单元，用于根据每个扇角数据的新位姿，将每个扇角数据中的点云映射至同一坐标系，得到所述激光帧中的点云。

本发明实施例还提供了一种电子设备，如图9所示，包括：

存储器901，用于存放计算机程序；

处理器902，用于执行存储器901上所存放的程序时，实现如下步骤：

获取扫描目标区域得到的三维点云；

将所述三维点云映射至二维栅格地图，其中，所述二维栅格地图被划分为多个栅格；

根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中标注障碍物。

上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口用于上述电子设备与其他设备之间的通信。

存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。

上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一标注方法的步骤。

在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一标注方法。

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发明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个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取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。

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。

本说明书中的各个实施例均采用相关的方式描述，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、电子设备、计算机可读存储介质以及计算机程序产品的实施例而言，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。

以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (22)

1.一种标注方法，其特征在于，所述方法包括：

获取目标区域的目标三维点云；

将所述目标三维点云映射至二维栅格地图，其中，所述二维栅格地图被划分为多个栅格；

根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中标注障碍物，其中，所述点云密度与栅格内包含的点云数量成正比。

2.根据权利要求1所述的方法，其特征在于，所述根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中标注障碍物，包括：

根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中确定属于障碍物区域的障碍物栅格；

将所述障碍物栅格划分为至少一个障碍物栅格组，其中，所述障碍物栅格组内任意两个所述障碍物栅格之间的距离小于预设距离阈值；

针对每个所述障碍物栅格组，确定将所述障碍物栅格组包围在内的最小凸包区域；

将所述最小凸包区域标注为障碍物。

3.根据权利要求2所述的方法，其特征在于，所述将所述最小凸包区域标注为障碍物，包括：

若所述障碍物栅格组的尺寸满足预设先验尺寸条件，将所述最小凸包区域标注为障碍物。

4.根据权利要求2所述的方法，其特征在于，所述根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中确定属于障碍物区域的障碍物栅格，包括：

在所述二维栅格地图中确定点云密度大于预设密度阈值的栅格，作为占据栅格；

针对每个所述占据栅格，若所述占据栅格邻域内存在至少一个占据栅格，将所述占据栅格和所述邻域内的栅格确定为障碍物栅格。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

确定两个相邻的障碍物之间的区域，作为空闲区域；

若所述空闲区域的尺寸大于预设车位尺寸，将所述空闲区域标注为车位。

6.根据权利要求5所述的方法，其特征在于，所述确定两个相邻的障碍物之间的区域，作为空闲区域，包括：

确定第一障碍物的第一边界和第二障碍物的第二边界，其中，所述第一障碍物和所述第二障碍物为任意两个相邻的障碍物，所述第一障碍物和所述第二障碍物位于所述第一边界的不同侧，且所述第一障碍物和所述第二障碍物位于所述第二边界的不同侧；

确定所述第一边界与所述第二边界之间的区域，作为空闲区域。

7.根据权利要求1所述的方法，其特征在于，所述将所述目标三维点云映射至二维栅格地图，包括：

去除所述目标三维点云中属于地面的点，得到滤地后三维点云；

将所述滤地后三维点云映射至二维栅格地图。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

针对所述目标三维点云中每个点带中的每个点云，计算所述点云与所述点带中的地面点之间连线的垂角，其中，所述点带为同一激光帧中水平方位相同的点云的集合，所述地面点云为已经确定为属于地面的点云；

若所述垂角小于预设角度阈值，确定所述点为属于地面的点云。

9.根据权利要求1所述的方法，其特征在于，所述获取目标区域的目标三维点云，包括：

获取激光雷达LiDAR扫描目标区域得到的多个激光帧以及所述多个激光帧各自的位姿；

针对每个所述激光帧，根据所述激光帧的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云。

10.根据权利要求9所述的方法，其特征在于，所述获取所述多个激光帧各自的位姿，包括：

基于惯性传感器IMU测量得到的所述LiDAR的运动数据，分别确定所述LiDAR采集得到各个所述激光帧时所处的位姿，作为所述激光帧的位姿初值；

针对每个所述激光帧，根据所述激光帧的位姿初值，将所述激光帧的点云映射至全局坐标系，得到所述激光帧对应的第一当前点云；

针对每个所述激光帧，对所述激光帧对应的所述第一当前点云与局部点云进行配准，得到所述激光帧的位姿，其中，所述局部点云为基于位姿已知的激光帧构建得到的三维点云中局部区域内的点云。

11.根据权利要求10所述的方法，其特征在于，所述对所述激光帧对应的所述第一当前点云与局部点云进行配准，得到所述激光帧的位姿，包括：

对所述激光帧对应的所述第一当前点云与局部点云进行配准，确定所述第一当前点云相对所述局部点云的偏移转动量；

按照所述偏移转动量对所述位姿初值进行偏移转动，得到所述激光帧的位姿。

12.根据权利要求10所述的方法，其特征在于，所述对所述激光帧对应的所述第一当前点云与局部点云进行配准，包括：

根据LiDAR的工作参数确定点云极化矩阵的大小；

根据所述第一当前点云中各点云在通过所述LiDAR采集时相对于所述LiDAR的位置，确定各点云的行坐标、列坐标和深度值；

根据所述点云极化矩阵的大小和各点云的行坐标、列坐标和深度值构建点云极化矩阵；

根据所述点云极化矩阵确定所述第一当前点云中的特征点云；

对所述特征点云与局部点云进行配准。

13.根据权利要求12所述的方法，其特征在于，所述根据所述点云极化矩阵确定所述第一当前点云中的特征点云，包括：

通过以下公式确定所述第一当前点云中点云i的曲率c_i：

其中，S为所述点云极化矩阵中分布在点云i左右两侧的点集，||代表点集的数量，r_j为S中第j个点云在所述点云极化矩阵中的深度值，r_i为点云i在所述点云极化矩阵中的深度值；

根据所述第一当前点云中各的点云曲率的大小筛选出第一当前点云中的特征点云。

14.根据权利要求9所述的方法，其特征在于，所述针对每个所述激光帧，根据所述激光帧的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云，包括：

针对所述多个激光帧中的每个激光帧，根据所述激光帧的位姿，将所述激光帧的点云映射至全局坐标系，得到所述激光帧对应的第二当前点云；

针对每个所述激光帧，对所述激光帧对应的所述第二当前点云与全局点云进行配准，得到所述激光帧的矫正后的位姿，其中，所述全局点云为基于位姿已知的激光帧构建得到的三维点云中全部的点云；

针对每个所述激光帧，根据所述激光帧的所述矫正后的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云。

15.根据权利要求14所述的方法，其特征在于，所述针对每个所述激光帧，根据所述激光帧的所述矫正后的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云，包括：

对每个所述激光帧的所述矫正后的位姿进行位姿平滑，得到每个所述激光帧的优化后的位姿；

针对每个所述激光帧，根据所述激光帧的所述优化后的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云。

16.根据权利要求9所述的方法，其特征在于，每个所述激光帧包括多个扇角数据，所述方法还包括：

针对所述多个激光帧中的每个激光帧，确定所述激光帧中采集时间相邻的扇角数据的采集时间之间的间隔；

所述针对每个所述激光帧，根据所述激光帧的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云，包括：

针对任一所述间隔不大于预设间隔阈值的每个所述激光帧，根据所述激光帧的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云。

17.根据权利要求9所述的方法，其特征在于，每个所述激光帧包括多个扇角数据，所述方法还包括：

针对每个所述激光帧，基于惯性传感器IMU测量得到的所述LiDAR的运动数据，分别确定所述LiDAR采集得到所述激光帧中各扇角数据时所处的位姿，作为扇角数据各自对应的位姿；

针对每个所述激光帧，分别根据所述激光帧中每个扇角数据对应的位姿，将每个扇角数据中的点云映射至同一坐标系，得到所述激光帧中的点云。

18.根据权利要求17所述的方法，其特征在于，所述针对每个所述激光帧，分别根据所述激光帧中每个扇角数据对应的位姿，将每个扇角数据中的点云映射至同一坐标系，得到所述激光帧中的点云，包括：

确定所述激光帧中每个扇角数据相对于第一扇角数据的位姿变换关系，所述第一扇角数据为所述激光帧中的一个扇角数据；

根据所述位姿变换关系，将所述激光帧中每个扇角数据的位姿映射至所述第一扇角数据的位姿所处的坐标系中，得到每个扇角数据的新位姿；

根据每个扇角数据的新位姿，将每个扇角数据中的点云映射至同一坐标系，得到所述激光帧中的点云。

19.一种标注装置，其特征在于，所述装置包括：

数据获取模块，用于获取目标区域的目标三维点云；

点云映射模块，用于将所述目标三维点云映射至二维栅格地图，其中，所述二维栅格地图被划分为多个栅格；

障碍物标注模块，用于根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中标注障碍物，其中，所述点云密度与栅格内包含的点云数量成正比。

20.根据权利要求19所述的装置，其特征在于，每个所述激光帧包括多个扇角数据，所述装置还包括：

空闲区域确定模块，用于确定两个相邻的障碍物之间的区域，作为空闲区域；

车位确定模块，用于若所述空闲区域的尺寸大于预设车位尺寸，将所述空闲区域标注为车位；

所述空闲区域确定模块，包括：

边界确定单元，用于确定第一障碍物的第一边界和第二障碍物的第二边界，其中，所述第一障碍物和所述第二障碍物为任意两个相邻的障碍物，所述第一障碍物和所述第二障碍物位于所述第一边界的不同侧，且所述第一障碍物和所述第二障碍物位于所述第二边界的不同侧；

空闲区域确定单元，用于确定所述第一边界与所述第二边界之间的区域，作为空闲区域；

所述障碍物标注模块，包括：

栅格确定单元，用于根据所述二维栅格地图中各个栅格的点云密度，在所述二维栅格地图中确定属于障碍物区域的障碍物栅格；

栅格组确定单元，用于将所述障碍物栅格划分为至少一个障碍物栅格组，其中，所述障碍物栅格组内任意两个所述障碍物栅格之间的距离小于预设距离阈值；

凸包区域确定单元，用于针对每个所述障碍物栅格组，确定将所述障碍物栅格组包围在内的最小凸包区域；

障碍物标注单元，用于将所述最小凸包区域标注为障碍物；

其中，所述障碍物标注单元，具体用于：若所述障碍物栅格组的尺寸满足预设先验尺寸条件，将所述最小凸包区域标注为障碍物；

所述栅格组确定单元，包括：

占据栅格子单元，用于在所述二维栅格地图中确定点云密度大于预设密度阈值的栅格，作为占据栅格；

障碍物栅格确定子单元，用于针对每个所述占据栅格，若所述占据栅格邻域内存在至少一个占据栅格，将所述占据栅格和所述邻域内的栅格确定为障碍物栅格；

所述点云映射模块，包括：

滤地点云确定单元，用于去除所述目标三维点云中属于地面的点，得到滤地后三维点云；

二维栅格地图确定单元，用于将所述滤地后三维点云映射至二维栅格地图；

地面点计算单元，用于针对所述目标三维点云中每个点带中的每个点云，计算所述点云与所述点带中的地面点之间连线的垂角，其中，所述点带为同一激光帧中水平方位相同的点云的集合，所述地面点云为已经确定为属于地面的点云；

地面点确定单元，用于若所述垂角小于预设角度阈值，确定所述点为属于地面的点云；

所述数据获取模块，包括：

位姿确定单元，用于获取激光雷达LiDAR扫描目标区域得到的多个激光帧以及所述多个激光帧各自的位姿；

目标三维点云确定单元，用于针对每个所述激光帧，根据所述激光帧的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云；

其中，所述位姿确定单元，包括：

位姿初值确定子单元，用于基于惯性传感器IMU测量得到的所述LiDAR的运动数据，分别确定所述LiDAR采集得到各个所述激光帧时所处的位姿，作为所述激光帧的位姿初值；

第一点云确定子单元，用于针对每个所述激光帧，根据所述激光帧的位姿初值，将所述激光帧的点云映射至全局坐标系，得到所述激光帧对应的第一当前点云；

位姿确定子单元，用于针对每个所述激光帧，对所述激光帧对应的所述第一当前点云与局部点云进行配准，得到所述激光帧的位姿，其中，所述局部点云为基于位姿已知的激光帧构建得到的三维点云中局部区域内的点云；

所述位姿确定子单元，具体用于：对所述激光帧对应的所述第一当前点云与局部点云进行配准，确定所述第一当前点云相对所述局部点云的偏移转动量，其中，所述局部点云为基于位姿已知的激光帧构建得到的三维点云中局部区域内的点云；按照所述偏移转动量对所述位姿初值进行偏移转动，得到所述激光帧的位姿；

所述位姿确定子单元，具体还用于：根据LiDAR的工作参数确定点云极化矩阵的大小；根据所述第一当前点云中各点云在通过所述LiDAR采集时相对于所述LiDAR的位置，确定各点云的行坐标、列坐标和深度值；根据所述点云极化矩阵的大小和各点云的行坐标、列坐标和深度值构建点云极化矩阵；根据所述点云极化矩阵确定所述第一当前点云中的特征点云；对所述特征点云与局部点云进行配准；

所述位姿确定子单元，具体还用于：通过以下公式确定所述第一当前点云中点云i的曲率c_i：

其中，S为所述点云极化矩阵中分布在点云i左右两侧的点集，|S|代表点集的数量，r_j为S中第j个点云在所述点云极化矩阵中的深度值，r_i为点云i在所述点云极化矩阵中的深度值；

根据所述第一当前点云中各的点云曲率的大小筛选出第一当前点云中的特征点云；

所述目标三维点云确定单元，包括：

第二点云确定子单元，用于针对所述多个激光帧中的每个激光帧，根据所述激光帧的位姿，将所述激光帧的点云映射至全局坐标系，得到所述激光帧对应的第二当前点云；

矫正位姿确定子单元，用于针对每个所述激光帧，对所述激光帧对应的所述第二当前点云与全局点云进行配准，得到所述激光帧的矫正后的位姿，其中，所述全局点云为基于位姿已知的激光帧构建得到的三维点云中全部的点云；

目标三维点云确定子单元，用于针对每个所述激光帧，根据所述激光帧的所述矫正后的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云；

所述目标三维点云确定子单元，具体用于：对每个所述激光帧的所述矫正后的位姿进行位姿平滑，得到每个所述激光帧的优化后的位姿；针对每个所述激光帧，根据所述激光帧的所述优化后的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云；

所述数据获取模块，还包括：

扇角间隔确定单元，用于针对所述多个激光帧中的每个激光帧，确定所述激光帧中采集时间相邻的扇角数据的采集时间之间的间隔；

其中，所述目标三维点云确定单元，具体用于：针对任一所述间隔不大于预设间隔阈值的每个所述激光帧，根据所述激光帧的位姿将所述激光帧中的点云映射至预设全局坐标系，得到目标三维点云；

所述数据获取模块，还包括：

扇角位姿确定单元，用于针对每个所述激光帧，基于惯性传感器IMU测量得到的所述LiDAR的运动数据，分别确定所述LiDAR采集得到所述激光帧中各扇角数据时所处的位姿，作为扇角数据各自对应的位姿；

激光帧点云确定单元，用于针对每个所述激光帧，分别根据所述激光帧中每个扇角数据各自对应的位姿，将每个扇角数据中的点云映射至同一坐标系，得到所述激光帧中的点云；

其中，所述激光帧点云确定单元，包括：

扇角位姿变换子单元，用于确定所述激光帧中每个扇角数据相对于第一扇角数据的位姿变换关系，所述第一扇角数据为所述激光帧中的一个扇角数据；

扇角新位姿子单元，用于根据所述位姿变换关系，将所述激光帧中每个扇角数据的位姿映射至所述第一扇角数据的位姿所处的坐标系中，得到每个扇角数据的新位姿；

扇角映射子单元，用于根据每个扇角数据的新位姿，将每个扇角数据中的点云映射至同一坐标系，得到所述激光帧中的点云。

21.一种电子设备，其特征在于，包括：

存储器，用于存放计算机程序；

处理器，用于执行存储器上所存放的程序时，实现权利要求1-18任一所述的方法步骤。

22.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-18任一所述的方法步骤。

Images