CN115327553A - 一种诱导变异的快速激光雷达样本生成方法 - Google Patents
一种诱导变异的快速激光雷达样本生成方法 Download PDFInfo
- Publication number
- CN115327553A CN115327553A CN202211245342.0A CN202211245342A CN115327553A CN 115327553 A CN115327553 A CN 115327553A CN 202211245342 A CN202211245342 A CN 202211245342A CN 115327553 A CN115327553 A CN 115327553A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- driving environment
- laser radar
- sample
- cluster
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
Abstract
本发明涉及样本生成的技术领域,揭露了一种诱导变异的快速激光雷达样本生成方法,所述方法包括:采集行驶环境激光雷达点云特征数据;对采集的激光雷达点云特征数据进行点云数据聚合处理;提取聚合处理后点云数据簇的线性特征,并使用多元数据分割技术对线性特征进行重构;基于重构的拓扑特征生成的行驶环境;利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本,并生成其测试行驶环境;构建行驶环境一致性评估模型,若真实行驶环境与测试行驶环境的一致性较高则说明生成样本有效。本发明实现基于诱导变异策略的快速激光雷达样本生成,基于行驶环境一致性评估的样本有效性判断,快速生成有效的激光雷达样本。
Description
技术领域
本发明涉及样本生成的技术领域,尤其涉及一种诱导变异的快速激光雷达样本生成方法。
背景技术
激光雷达是无人探测车的环境感知传感器,能产生在信息表达上比二维数据更有优势的三维点云数据,能够有效刻画行驶环境。随着激光雷达传感器在无人探测车辆上逐渐普及,激光雷达的安全性和稳定性也受到越来越多的关注。现有的无人探测车辆自主探测依赖于大量的训练样本空间,而由于行驶环境的差异性,激光雷达输入域空间难以覆盖所有可能行驶场景,存在一定安全和稳定隐患。针对该问题,本发明提出一种诱导变异的快速激光雷达样本生成方法,在保证激光雷达样本有效性的同时,提高激光雷达样本的生成速度,增强样本鲁棒性。
发明内容
有鉴于此,本发明提供一种诱导变异的快速激光雷达样本生成方法,目的在于获取激光雷达的点云数据,通过从点云数据的点云坐标以及点云强度对点云数据进行评估,根据不同点云数据的评估结果确定点云数据被诱导的概率,其中邻域点云越多,点云强度越大的点云数据被诱导变异的概率越大,而对邻域点云越多和点云强度大的点云数据进行变异,变异结果处于采集点云数据范围内的概率较大,避免生成过于异常的激光雷达样本,并基于启发式优化算法快速实现激光雷达样本的生成;分别将所采集的激光雷达点云特征数据以及生成的激光雷达样本构建为无人驾驶车辆的真实行驶环境以及测试行驶环境,并比较两种环境的一致性,一致性较高则说明所生成激光雷达样本可以有效描述无人驾驶车辆的真实行驶环境,即所生成激光雷达样本具有较高的有效性,通过快速生成有效激光雷达样本,以增强训练无人探测车辆自主探测模型的样本鲁棒性。
实现上述目的,本发明提供的一种诱导变异的快速激光雷达样本生成方法,包括以下步骤:
S1:采集无人探测车辆行驶环境激光雷达点云特征数据,所述激光雷达点云特征数据包括点云数量、坐标以及强度信息;
S2:对采集的激光雷达点云特征数据进行点云数据聚合处理,得到点云数据簇;
S3:提取聚合处理后点云数据簇的线性特征,并使用多元数据分割技术对线性特征进行重构,得到重构的拓扑特征;
S4:基于重构的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境,其中基于采集数据生成的行驶环境为真实行驶环境;
S5:利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本,对于生成的激光雷达样本,按照步骤S2、S3以及S4生成测试行驶环境;
S6:构建行驶环境一致性评估模型,将真实行驶环境以及测试行驶环境输出到模型中,模型输出两者的相似性评估结果,若相似性评估结果大于预设阈值,则说明所生成的激光雷达样本有效,否则表示生成样本无效。
作为本发明的进一步改进方法:
可选地,所述S1步骤中采集无人探测车辆行驶环境激光雷达点云特征数据,包括:所述无人探测车辆的激光雷达在车辆行驶过程中向周围发出激光束,激光束探测得到周围环境物体的位置坐标以及表面材质,将激光束探测的返回结果集合作为激光雷达点云特征数据,采集无人探测车辆在正常行驶过程中行驶环境的激光雷达点云特征数据;
所述激光雷达点云特征数据包括点云数量、坐标以及强度信息,每个点云表示激光雷达所发出的一条激光束的探测结果,点云集合表示激光雷达点云特征数据,所述点云数量等于激光雷达所发出的激光束数目,点云坐标为激光束所探测到物体的位置坐标,点云强度为反射激光束的强度,物体的表面材质不同,反射激光束的强度不同;
所述激光雷达点云特征数据为:
其中:
为第i个点云的位置坐标,即表示激光雷达所发出的第i条激光束所探测到物体的位置坐标;以无人探测车辆的初始位置为三维坐标系原点,无人探测车辆的初始行驶方向为三维坐标系的Y轴,构建得到无人探测车辆行驶区域的三维坐标系;
n表示点云数量。
可选地,所述S2步骤中对采集的激光雷达点云特征数据进行点云数据聚合处理,得到点云数据簇,包括:对所述激光雷达点云特征数据中的点云数据进行聚合处理,将聚合结果作为点云数据簇,所述点云数据聚合处理流程为:
S21:将所述激光雷达点云特征数据中的n个点云置于所构建的无人探测车辆行驶区域的三维坐标系,点云坐标即为点云在三维坐标系中的坐标;
S22:提取所有点云在Z轴的坐标值构成点云Z轴坐标集合;
S23:初始化一个Z轴簇,Z轴簇初始为空,从点云Z轴坐标集合中选取坐标轴最大的点云作为Z轴簇内的簇中心,将与簇中心距离小于的点云加入到该Z轴簇,并将Z轴簇内的点云所对应的Z轴坐标值从点云Z轴坐标集合中删除,其中为距离阈值,将其设置为5米,所述任意两个点云的距离计算公式为:
其中:
可选地,所述S3步骤中提取聚合处理后点云数据簇的线性特征,并使用多元数据分割技术对线性特征进行重构,包括:
所述点云数据簇的线性特征提取流程为:
提取点云数据簇中相邻平面簇的交线作为相交线特征;
提取点云数据簇中相邻Z轴簇的交线作为边界线特征;
将不属于相交线特征以及边界线特征的相邻簇的交线作为阶梯线特征;
所述线性特征包含相交线特征、边界线特征以及阶梯线特征;
利用多元分割技术对线性特征进行重构,得到重构后的拓扑特征,所述线性特征的重构流程为:
S31:将具有相交线特征的平面簇作为同一平面区域的平面簇,将具有边界线特征或阶梯线特征的两个平面簇作为处于相邻空间区域的平面簇;
S32:构建分层树,所构建分层树的根节点为空,其中分层树的节点均为平面簇,同一层节点属于同一平面区域,相邻层节点为处于相邻空间区域的平面簇;所述节点距离三维坐标系原点的距离越近,则该节点在同一层的节点位置越靠左,节点高度越低,则越接近根节点;
S33:从根节点开始,按照从上到下,从左到右的顺序计算相邻两个节点,的相似性,其中节点在的右边或下方,所述相似性的计算方法为余弦相似度算法,若计算得到的相似性大于预设定的相似阈值,则合并相邻节点得到新节点,所述新节点即为两个平面簇的合并结果,同时计算新节点与相邻节点的相似性;
重复该步骤,将平面簇进行合并处理;
S34:重新提取平面簇合并后的线性特征,并提取合并后每个平面簇的拓扑结构特征,所述每个平面簇的拓扑结构特征包括平面簇的面积、顶点数、边数目以及各边长度,将重新提取到的线性特征以及平面簇拓扑结构特征作为重构得到的拓扑特征。
可选地,所述S4步骤中基于重构得到的拓扑特征以及最小描述长度框架生成无人探测车辆的真实行驶环境,包括:
基于重构得到的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境,所述基于,所述无人探测车辆的行驶环境的生成过程为:
S41:将合并后的平面簇以及高度簇置于三维坐标系中,得到三维结构的无人探测车辆行驶环境,所述三维结构的无人探测车辆行驶环境存在若干孤立的簇以及点;
S42:构建行驶环境描述长度框架:
其中:
可选地,所述S5步骤中利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本,包括:
根据所采集的无人探测车辆行驶环境激光雷达点云特征数据,利用基于启发式算法的诱导变异策略生成激光雷达样本,所述激光雷达样本的生成流程为:
S51:利用独热编码法对所采集的无人探测车辆行驶环境激光雷达点云特征数据进行编码处理,所述编码结果的前部分为点云坐标,编码结果的后部分为点云强度,所述编码结果集合为 ,其中为点云的编码结果,n表示所采集的无人探测车辆行驶环境激光雷达点云特征数据中点云的数量;每个点云的编码结果长度相同;
其中:
S54:计算第k-1次迭代后,各编码结果的评估结果,第0次迭代后的编码结果为独热编码后点云数据的初始编码结果;
其中:
S56:记录每次迭代后发生变异后的变异结果;
可选地,所述S5步骤中将生成的激光雷达样本按照行驶环境生成方法得到测试行驶环境,包括:
所述行驶环境生成方法流程包括点云数据聚合处理、线性特征提取重构处理以及基于最小描述框架的行驶环境生成处理;
对所述生成的激光雷达样本按照行驶环境生成流程进行处理,得到基于激光雷达生成样本的测试行驶环境。
可选地,所述S6步骤中构建行驶环境一致性评估模型,将真实行驶环境以及测试行驶环境输出到模型中,模型输出两者的相似性评估结果,包括:
构建行驶环境一致性评估模型,所述行驶环境一致性评估模型的输入为真实行驶环境以及测试行驶环境,其中所述行驶环境包括三维结构的行驶环境模型以及对应的拓扑结构;
所述行驶环境一致性评估模型的评估流程为:
S61:将三维结构的真实行驶环境模型以及测试行驶环境模型置于同一三维坐标系下;
S62:计算得到行驶环境一致性评估的评估结果,所述计算公式为:
表示三维结构中真实行驶环境模型的任意顶点坐标,表示三维结构中测试行驶环境模型的任意顶点坐标,表示真实行驶环境与测试环境匹配成功的线性特征所关联的任意顶点对,表示真实行驶环境与测试环境匹配成功的线性特征所关联的顶点对集合;
相对于现有技术,本发明提出一种诱导变异的快速激光雷达样本生成方法,该技术具有以下优势:
首先,本方案提出一种激光雷达样本的快速生成方法,根据所采集的无人探测车辆行驶环境激光雷达点云特征数据,利用基于启发式算法的诱导变异策略生成激光雷达样本,所述激光雷达样本的生成流程为:利用独热编码法对所采集的无人探测车辆行驶环境激光雷达点云特征数据进行编码处理,所述编码结果的前部分为点云坐标,编码结果的后部分为点云强度,所述编码结果集合为 ,其中为点云的编码结果,n表示所采集的无人探测车辆行驶环境激光雷达点云特征数据中点云的数量;所述每个点云的编码结果长度相同;构建点云数据评估模型,利用点云数据评估模型对所采集的n个点云数据的编码结果进行评估,所述编码结果的评估结果为:
其中:表示所对应点云数据位置在范围内的邻域点云数量;表示的点云强度编码结果,表示编码结果集合中所有点云强度编码结果均值,表示编码结果集合中所有点云强度编码结果标准差;设置算法当前迭代次数为k,k的初始值为1,最大值为Max,对编码结果进行Max次诱导变异,则第k次迭代后点云的编码结果为;计算第k-1次迭代后,各编码结果的评估结果,所述第0次迭代后的编码结果为独热编码后点云数据的初始编码结果;计算各编码结果在第k次迭代时被诱导变异的概率,则任意编码结果在第k次迭代时被诱导变异的概率为:
其中:表示第k-1次迭代后,所对应点云数据位置在范围内的邻域点云数量;表示第k-1次迭代后,的点云强度编码结果,表示第k-1次迭代后编码结果集合中所有点云强度编码结果均值,表示第k-1次迭代后编码结果集合中所有点云强度编码结果标准差;若编码结果发生变异,则变异操作的流程为:选取第k-1次迭代后评估结果最低的编码结果,并随机选取中的部分编码结果,将所选取的部分编码结果提换为中对应位置的编码结果;记录每次迭代后发生变异后的变异结果,并将变异结果转换为点云数据,所述转换得到的点云数据数目为,将所转换得到的点云数据集合作为所生成的激光雷达样本。
本方案获取激光雷达的点云数据,通过从点云数据的点云坐标以及点云强度对点云数据进行评估,根据不同点云数据的评估结果确定点云数据被诱导的概率,其中邻域点云越多,点云强度越大的点云数据被诱导变异的概率越大,而对邻域点云越多和点云强度大的点云数据进行变异,变异结果处于采集点云数据范围内的概率较大,避免生成过于异常的激光雷达样本,并基于启发式优化算法快速实现激光雷达样本的生成。
同时,本方案提出一种所生成样本的有效性度量方法,通过将生成的激光雷达样本按照行驶环境生成方法得到测试行驶环境,所述行驶环境生成方法流程包括点云数据聚合处理、线性特征提取重构处理以及基于最小描述框架的行驶环境生成处理;构建行驶环境一致性评估模型,所述行驶环境一致性评估模型的输入为真实行驶环境以及测试行驶环境,其中所述行驶环境包括三维结构的行驶环境模型以及对应的拓扑结构;所述行驶环境一致性评估模型的评估流程为:将三维结构的真实行驶环境模型以及测试行驶环境模型置于同一三维坐标系下;计算得到行驶环境一致性评估的评估结果,所述计算公式为:
其中:表示真实行驶环境,表示测试行驶环境;表示三维结构中真实行驶环境模型的任意顶点坐标,表示三维结构中测试行驶环境模型的任意顶点坐标,表示真实行驶环境与测试环境匹配成功的线性特征所关联的任意顶点对,表示真实行驶环境与测试环境匹配成功的线性特征所关联的顶点对集合;表示真实行驶环境的拓扑特征,表示测试行驶环境的拓扑特征;表示余弦相似度算法;表示真实行驶环境与测试行驶环境的一致性评估结果;若大于预设阈值,则说明所生成的激光雷达样本有效,否则表示生成样本无效,将有效的激光雷达样本作为无人探测车辆自主探测模型训练的训练样本。本方案分别将所采集的激光雷达点云特征数据以及生成的激光雷达样本构建为无人驾驶车辆的真实行驶环境以及测试行驶环境,并比较两种环境的一致性,一致性较高则说明所生成激光雷达样本可以有效描述无人驾驶车辆的真实行驶环境,即所生成激光雷达样本具有较高的有效性,通过快速生成有效激光雷达样本,以增强训练无人探测车辆自主探测模型的样本鲁棒性。
附图说明
图1为本发明一实施例提供的一种诱导变异的快速激光雷达样本生成方法的流程示意图;
图2为本发明一实施例提供的诱导变异的快速激光雷达样本生成装置的功能模块图;
图3为本发明一实施例提供的实现诱导变异的快速激光雷达样本生成方法的电子设备的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本申请实施例提供一种诱导变异的快速激光雷达样本生成方法。所述诱导变异的快速激光雷达样本生成方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之,所述诱导变异的快速激光雷达样本生成方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1:
S1:采集无人探测车辆行驶环境激光雷达点云特征数据,所述激光雷达点云特征数据包括点云数量、坐标以及强度信息。
所述S1步骤中采集无人探测车辆行驶环境激光雷达点云特征数据,包括:
所述无人探测车辆的激光雷达在车辆行驶过程中向周围发出激光束,激光束探测得到周围环境物体的位置坐标以及表面材质,将激光束探测的返回结果集合作为激光雷达点云特征数据,采集无人探测车辆在正常行驶过程中行驶环境的激光雷达点云特征数据;
所述激光雷达点云特征数据包括点云数量、坐标以及强度信息,每个点云表示激光雷达所发出的一条激光束的探测结果,点云集合表示激光雷达点云特征数据,所述点云数量等于激光雷达所发出的激光束数目,点云坐标为激光束所探测到物体的位置坐标,点云强度为反射激光束的强度,物体的表面材质不同,反射激光束的强度不同;
所述激光雷达点云特征数据为:
其中:
为第i个点云的位置坐标,即表示激光雷达所发出的第i条激光束所探测到物体的位置坐标;以无人探测车辆的初始位置为三维坐标系原点,无人探测车辆的初始行驶方向为三维坐标系的Y轴,构建得到无人探测车辆行驶区域的三维坐标系;
n表示点云数量。
S2:对采集的激光雷达点云特征数据进行点云数据聚合处理,得到点云数据簇。
所述S2步骤中对采集的激光雷达点云特征数据进行点云数据聚合处理,得到点云数据簇,包括:
对所述激光雷达点云特征数据中的点云数据进行聚合处理,将聚合结果作为点云数据簇,所述点云数据聚合处理流程为:
S21:将所述激光雷达点云特征数据中的n个点云置于所构建的无人探测车辆行驶区域的三维坐标系,点云坐标即为点云在三维坐标系中的坐标;
S22:提取所有点云在Z轴的坐标值构成点云Z轴坐标集合;
S23:初始化一个Z轴簇,Z轴簇初始为空,从点云Z轴坐标集合中选取坐标轴最大的点云作为Z轴簇内的簇中心,将与簇中心距离小于的点云加入到该Z轴簇,并将Z轴簇内的点云所对应的Z轴坐标值从点云Z轴坐标集合中删除,其中为距离阈值,将其设置为5米,所述任意两个点云的距离计算公式为:
其中:
S3:提取聚合处理后点云数据簇的线性特征,并使用多元数据分割技术对线性特征进行重构,得到重构的拓扑特征。
所述S3步骤中提取聚合处理后点云数据簇的线性特征,并使用多元数据分割技术对线性特征进行重构,包括:
所述点云数据簇的线性特征提取流程为:
提取点云数据簇中相邻平面簇的交线作为相交线特征;
提取点云数据簇中相邻Z轴簇的交线作为边界线特征;
将不属于相交线特征以及边界线特征的相邻簇的交线作为阶梯线特征;
所述线性特征包含相交线特征、边界线特征以及阶梯线特征;
利用多元分割技术对线性特征进行重构,得到重构后的拓扑特征,所述线性特征的重构流程为:
S31:将具有相交线特征的平面簇作为同一平面区域的平面簇,将具有边界线特征或阶梯线特征的两个平面簇作为处于相邻空间区域的平面簇;
S32:构建分层树,所构建分层树的根节点为空,其中分层树的节点均为平面簇,同一层节点属于同一平面区域,相邻层节点为处于相邻空间区域的平面簇;所述节点距离三维坐标系原点的距离越近,则该节点在同一层的节点位置越靠左,节点高度越低,则越接近根节点;
S33:从根节点开始,按照从上到下,从左到右的顺序计算相邻两个节点,的相似性,其中节点在的右边或下方,所述相似性的计算方法为余弦相似度算法,若计算得到的相似性大于预设定的相似阈值,则合并相邻节点得到新节点,所述新节点即为两个平面簇的合并结果,同时计算新节点与相邻节点的相似性;
重复该步骤,将平面簇进行合并处理;
S34:重新提取平面簇合并后的线性特征,并提取合并后每个平面簇的拓扑结构特征,所述每个平面簇的拓扑结构特征包括平面簇的面积、顶点数、边数目以及各边长度,将重新提取到的线性特征以及平面簇拓扑结构特征作为重构得到的拓扑特征。
S4:基于重构的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境,其中基于采集数据生成的行驶环境为真实行驶环境。
所述S4步骤中基于重构得到的拓扑特征以及最小描述长度框架生成无人探测车辆的真实行驶环境,包括:
基于重构得到的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境,所述基于,所述无人探测车辆的行驶环境的生成过程为:
S41:将合并后的平面簇以及高度簇置于三维坐标系中,得到三维结构的无人探测车辆行驶环境,所述三维结构的无人探测车辆行驶环境存在若干孤立的簇以及点;
S42:构建行驶环境描述长度框架:
其中:
S5:利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本,对于生成的激光雷达样本,按照步骤S2、S3以及S4生成测试行驶环境。
所述S5步骤中利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本,包括:
根据所采集的无人探测车辆行驶环境激光雷达点云特征数据,利用基于启发式算法的诱导变异策略生成激光雷达样本,所述激光雷达样本的生成流程为:
S51:利用独热编码法对所采集的无人探测车辆行驶环境激光雷达点云特征数据进行编码处理,所述编码结果的前部分为点云坐标,编码结果的后部分为点云强度,所述编码结果集合为 ,其中为点云的编码结果,n表示所采集的无人探测车辆行驶环境激光雷达点云特征数据中点云的数量;每个点云的编码结果长度相同;
其中:
S54:计算第k-1次迭代后,各编码结果的评估结果,第0次迭代后的编码结果为独热编码后点云数据的初始编码结果;
其中:
S56:记录每次迭代后发生变异后的变异结果;
所述S5步骤中将生成的激光雷达样本按照行驶环境生成方法得到测试行驶环境,包括:
所述行驶环境生成方法流程包括点云数据聚合处理、线性特征提取重构处理以及基于最小描述框架的行驶环境生成处理;
对所述生成的激光雷达样本按照行驶环境生成流程进行处理,得到基于激光雷达生成样本的测试行驶环境。
S6:构建行驶环境一致性评估模型,将真实行驶环境以及测试行驶环境输出到模型中,模型输出两者的相似性评估结果,若相似性评估结果大于预设阈值,则说明所生成的激光雷达样本有效,否则表示生成样本无效。
所述S6步骤中构建行驶环境一致性评估模型,将真实行驶环境以及测试行驶环境输出到模型中,模型输出两者的相似性评估结果,包括:
构建行驶环境一致性评估模型,所述行驶环境一致性评估模型的输入为真实行驶环境以及测试行驶环境,其中所述行驶环境包括三维结构的行驶环境模型以及对应的拓扑结构;
所述行驶环境一致性评估模型的评估流程为:
S61:将三维结构的真实行驶环境模型以及测试行驶环境模型置于同一三维坐标系下;
S62:计算得到行驶环境一致性评估的评估结果,所述计算公式为:
表示三维结构中真实行驶环境模型的任意顶点坐标,表示三维结构中测试行驶环境模型的任意顶点坐标,表示真实行驶环境与测试环境匹配成功的线性特征所关联的任意顶点对,表示真实行驶环境与测试环境匹配成功的线性特征所关联的顶点对集合;
实施例2:
如图2所示,是本发明一实施例提供的诱导变异的快速激光雷达样本生成装置的功能模块图,其可以实现实施例1中的快速激光雷达样本生成方法。
本发明所述诱导变异的快速激光雷达样本生成装置100可以安装于电子设备中。根据实现的功能,所述诱导变异的快速激光雷达样本生成装置可以包括数据采集处理模块101、行驶环境构建模块102及激光雷达样本生成模块103。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
数据采集处理模块101,用于采集无人探测车辆行驶环境激光雷达点云特征数据,并进行点云数据聚合处理以及拓扑特征提取处理;
行驶环境构建模块102,用于基于重构的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境;
激光雷达样本生成模块103,用于基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本,基于所生成的激光雷达样本生成测试行驶环境,构建行驶环境一致性评估模型,将真实行驶环境以及测试行驶环境输出到模型中,模型输出两者的相似性评估结果,若相似性评估结果大于预设阈值,则说明所生成的激光雷达样本有效。
详细地,本发明实施例中所述诱导变异的快速激光雷达样本生成装置100中的所述各模块在使用时采用与上述的图1中所述的诱导变异的快速激光雷达样本生成方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
实施例3:
如图3所示,是本发明一实施例提供的实现诱导变异的快速激光雷达样本生成方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card, SMC)、安全数字(SecureDigital, SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(用于实现激光雷达样本生成的程序12等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括通信接口13,可选地,所述通信接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
采集无人探测车辆行驶环境激光雷达点云特征数据,所述激光雷达点云特征数据包括点云数量、坐标以及强度信息;
对采集的激光雷达点云特征数据进行点云数据聚合处理,得到点云数据簇;
提取聚合处理后点云数据簇的线性特征,并使用多元数据分割技术对线性特征进行重构,得到重构的拓扑特征;
基于重构的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境,其中基于采集数据生成的行驶环境为真实行驶环境;
利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本,对于生成的激光雷达样本,生成测试行驶环境;
构建行驶环境一致性评估模型,将真实行驶环境以及测试行驶环境输出到模型中,模型输出两者的相似性评估结果,若相似性评估结果大于预设阈值,则说明所生成的激光雷达样本有效,否则表示生成样本无效。
具体地,所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述,在此不赘述。
需要说明的是,上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。并且本文中的术语“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、装置、物品或者方法不仅包括那些要素,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、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种诱导变异的快速激光雷达样本生成方法,其特征在于,所述方法包括:
S1:采集无人探测车辆行驶环境激光雷达点云特征数据,所述激光雷达点云特征数据包括点云数量、坐标以及强度信息;
S2:对采集的激光雷达点云特征数据进行点云数据聚合处理,得到点云数据簇;
S3:提取聚合处理后点云数据簇的线性特征,并使用多元数据分割技术对线性特征进行重构,得到重构的拓扑特征;
S4:基于重构的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境,其中基于采集数据生成的行驶环境为真实行驶环境;
S5:利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本,对于生成的激光雷达样本,按照步骤S2、S3以及S4生成测试行驶环境;
S6:构建行驶环境一致性评估模型,将真实行驶环境以及测试行驶环境输出到模型中,模型输出两者的相似性评估结果,若相似性评估结果大于预设阈值,则说明所生成的激光雷达样本有效,否则表示生成样本无效。
2.如权利要求1所述的一种诱导变异的快速激光雷达样本生成方法,其特征在于,所述S1步骤中采集无人探测车辆行驶环境激光雷达点云特征数据,包括:
所述无人探测车辆的激光雷达在车辆行驶过程中向周围发出激光束,激光束探测得到周围环境物体的位置坐标以及表面材质,将激光束探测的返回结果集合作为激光雷达点云特征数据,采集无人探测车辆在正常行驶过程中行驶环境的激光雷达点云特征数据;
所述激光雷达点云特征数据包括点云数量、坐标以及强度信息,每个点云表示激光雷达所发出的一条激光束的探测结果,点云集合表示激光雷达点云特征数据,所述点云数量等于激光雷达所发出的激光束数目,点云坐标为激光束所探测到物体的位置坐标,点云强度为反射激光束的强度,物体的表面材质不同,反射激光束的强度不同;
所述激光雷达点云特征数据为:
其中:
为第i个点云的位置坐标,即表示激光雷达所发出的第i条激光束所探测到物体的位置坐标;以无人探测车辆的初始位置为三维坐标系原点,无人探测车辆的初始行驶方向为三维坐标系的Y轴,构建得到无人探测车辆行驶区域的三维坐标系;
n表示点云数量。
3.如权利要求2所述的一种诱导变异的快速激光雷达样本生成方法,其特征在于,所述S2步骤中对采集的激光雷达点云特征数据进行点云数据聚合处理,得到点云数据簇,包括:
对所述激光雷达点云特征数据中的点云数据进行聚合处理,将聚合结果作为点云数据簇,所述点云数据聚合处理流程为:
S21:将所述激光雷达点云特征数据中的n个点云置于所构建的无人探测车辆行驶区域的三维坐标系,点云坐标即为点云在三维坐标系中的坐标;
S22:提取所有点云在Z轴的坐标值构成点云Z轴坐标集合;
S23:初始化一个Z轴簇,Z轴簇初始为空,从点云Z轴坐标集合中选取坐标轴最大的点云作为Z轴簇内的簇中心,将与簇中心距离小于的点云加入到该Z轴簇,并将Z轴簇内的点云所对应的Z轴坐标值从点云Z轴坐标集合中删除,其中为距离阈值,将其设置为5米,所述任意两个点云的距离计算公式为:
其中:
4.如权利要求3所述的一种诱导变异的快速激光雷达样本生成方法,其特征在于,所述S3步骤中提取聚合处理后点云数据簇的线性特征,并使用多元数据分割技术对线性特征进行重构,包括:
所述点云数据簇的线性特征提取流程为:
提取点云数据簇中相邻平面簇的交线作为相交线特征;
提取点云数据簇中相邻Z轴簇的交线作为边界线特征;
将不属于相交线特征以及边界线特征的相邻簇的交线作为阶梯线特征;
所述线性特征包含相交线特征、边界线特征以及阶梯线特征;
利用多元分割技术对线性特征进行重构,得到重构后的拓扑特征,所述线性特征的重构流程为:
S31:将具有相交线特征的平面簇作为同一平面区域的平面簇,将具有边界线特征或阶梯线特征的两个平面簇作为处于相邻空间区域的平面簇;
S32:构建分层树,所构建分层树的根节点为空,其中分层树的节点均为平面簇,同一层节点属于同一平面区域,相邻层节点为处于相邻空间区域的平面簇;所述节点距离三维坐标系原点的距离越近,则该节点在同一层的节点位置越靠左,节点高度越低,则越接近根节点;
S33:从根节点开始,按照从上到下,从左到右的顺序计算相邻两个节点,的相似性,其中节点在的右边或下方,所述相似性的计算方法为余弦相似度算法,若计算得到的相似性大于预设定的相似阈值,则合并相邻节点得到新节点,所述新节点即为两个平面簇的合并结果,同时计算新节点与相邻节点的相似性;
重复该步骤,将平面簇进行合并处理;
S34:重新提取平面簇合并后的线性特征,并提取合并后每个平面簇的拓扑结构特征,所述每个平面簇的拓扑结构特征包括平面簇的面积、顶点数、边数目以及各边长度,将重新提取到的线性特征以及平面簇拓扑结构特征作为重构得到的拓扑特征。
5.如权利要求4所述的一种诱导变异的快速激光雷达样本生成方法,其特征在于,所述S4步骤中基于重构得到的拓扑特征以及最小描述长度框架生成无人探测车辆的真实行驶环境,包括:
基于重构得到的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境,所述基于,所述无人探测车辆的行驶环境的生成过程为:
S41:将合并后的平面簇以及高度簇置于三维坐标系中,得到三维结构的无人探测车辆行驶环境,所述三维结构的无人探测车辆行驶环境存在若干孤立的簇以及点;
S42:构建行驶环境描述长度框架:
其中:
6.如权利要求1所述的一种诱导变异的快速激光雷达样本生成方法,其特征在于,所述S5步骤中将生成的激光雷达样本按照行驶环境生成方法得到测试行驶环境,包括:
所述行驶环境生成方法流程包括点云数据聚合处理、线性特征提取重构处理以及基于最小描述框架的行驶环境生成处理;
对所述生成的激光雷达样本按照行驶环境生成流程进行处理,得到基于激光雷达生成样本的测试行驶环境。
7.如权利要求1所述的一种诱导变异的快速激光雷达样本生成方法,其特征在于,所述诱导变异策略流程,包括:
根据所采集的无人探测车辆行驶环境激光雷达点云特征数据,利用基于启发式算法的诱导变异策略生成激光雷达样本,所述激光雷达样本的生成流程为:
S51:利用独热编码法对所采集的无人探测车辆行驶环境激光雷达点云特征数据进行编码处理,所述编码结果的前部分为点云坐标,编码结果的后部分为点云强度,所述编码结果集合为 ,其中为点云的编码结果,n表示所采集的无人探测车辆行驶环境激光雷达点云特征数据中点云的数量;每个点云的编码结果长度相同;
其中:
S54:计算第k-1次迭代后,各编码结果的评估结果,第0次迭代后的编码结果为独热编码后点云数据的初始编码结果;
其中:
S56:记录每次迭代后发生变异后的变异结果;
8.如权利要求1所述的一种诱导变异的快速激光雷达样本生成方法,其特征在于,所述S6步骤中构建行驶环境一致性评估模型,将真实行驶环境以及测试行驶环境输出到模型中,模型输出两者的相似性评估结果,包括:
构建行驶环境一致性评估模型,所述行驶环境一致性评估模型的输入为真实行驶环境以及测试行驶环境,其中所述行驶环境包括三维结构的行驶环境模型以及对应的拓扑结构;
所述行驶环境一致性评估模型的评估流程为:
S61:将三维结构的真实行驶环境模型以及测试行驶环境模型置于同一三维坐标系下;
S62:计算得到行驶环境一致性评估的评估结果,所述计算公式为:
表示三维结构中真实行驶环境模型的任意顶点坐标,表示三维结构中测试行驶环境模型的任意顶点坐标,表示真实行驶环境与测试环境匹配成功的线性特征所关联的任意顶点对,表示真实行驶环境与测试环境匹配成功的线性特征所关联的顶点对集合;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245342.0A CN115327553B (zh) | 2022-10-12 | 2022-10-12 | 一种诱导变异的快速激光雷达样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245342.0A CN115327553B (zh) | 2022-10-12 | 2022-10-12 | 一种诱导变异的快速激光雷达样本生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115327553A true CN115327553A (zh) | 2022-11-11 |
CN115327553B CN115327553B (zh) | 2023-01-20 |
Family
ID=83913672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211245342.0A Active CN115327553B (zh) | 2022-10-12 | 2022-10-12 | 一种诱导变异的快速激光雷达样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327553B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792944A (zh) * | 2023-01-29 | 2023-03-14 | 深圳煜炜光学科技有限公司 | 一种配合激光雷达的道路快速定标方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881029A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种面向自动驾驶的多场景自动化点云扩增方法 |
CN111882199A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种基于规则变异的自动驾驶激光雷达数据扩增方法 |
US20210284184A1 (en) * | 2020-03-05 | 2021-09-16 | Waymo Llc | Learning point cloud augmentation policies |
CN114241258A (zh) * | 2021-12-09 | 2022-03-25 | 深圳慕智科技有限公司 | 一种面向自动驾驶雷达点云数据的扩增与优化方法 |
CN114235679A (zh) * | 2021-11-15 | 2022-03-25 | 同济大学 | 一种基于激光雷达的路面附着系数估计方法及系统 |
CN115063465A (zh) * | 2022-06-15 | 2022-09-16 | 华南理工大学 | 一种基于激光雷达的无人车行驶路况建模方法 |
-
2022
- 2022-10-12 CN CN202211245342.0A patent/CN115327553B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210284184A1 (en) * | 2020-03-05 | 2021-09-16 | Waymo Llc | Learning point cloud augmentation policies |
CN111881029A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种面向自动驾驶的多场景自动化点云扩增方法 |
CN111882199A (zh) * | 2020-07-23 | 2020-11-03 | 深圳慕智科技有限公司 | 一种基于规则变异的自动驾驶激光雷达数据扩增方法 |
CN114235679A (zh) * | 2021-11-15 | 2022-03-25 | 同济大学 | 一种基于激光雷达的路面附着系数估计方法及系统 |
CN114241258A (zh) * | 2021-12-09 | 2022-03-25 | 深圳慕智科技有限公司 | 一种面向自动驾驶雷达点云数据的扩增与优化方法 |
CN115063465A (zh) * | 2022-06-15 | 2022-09-16 | 华南理工大学 | 一种基于激光雷达的无人车行驶路况建模方法 |
Non-Patent Citations (3)
Title |
---|
AN GUO 等: "LiRTest: augmenting LiDAR point clouds for automated testing of autonomous driving systems", 《ISSTA 2022: PROCEEDINGS OF THE 31ST ACM SIGSOFT INTERNATIONAL SYMPOSIUM ON SOFTWARE TESTING AND ANALYSIS》 * |
VÂNIA NEVES 等: "Combination and mutation strategies to support test data generation in the context of autonomous vehicles", 《INTERNATIONAL JOURNAL OF EMBEDDED SYSTEMS》 * |
李秋洁 等: "基于移动激光扫描的靶标叶面积计算方法", 《农业机械学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115792944A (zh) * | 2023-01-29 | 2023-03-14 | 深圳煜炜光学科技有限公司 | 一种配合激光雷达的道路快速定标方法和系统 |
CN115792944B (zh) * | 2023-01-29 | 2023-04-25 | 深圳煜炜光学科技有限公司 | 一种配合激光雷达的道路快速定标方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115327553B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | SAT-GCN: Self-attention graph convolutional network-based 3D object detection for autonomous driving | |
Wang et al. | 3D-CenterNet: 3D object detection network for point clouds with center estimation priority | |
JP6888484B2 (ja) | 検索プログラム、検索方法、及び、検索プログラムが動作する情報処理装置 | |
EP3286691A1 (en) | A method of detecting objects within a 3d environment | |
CN106133756A (zh) | 用于过滤、分割并且识别无约束环境中的对象的系统 | |
CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
Wiseman et al. | When an inescapable accident of autonomous vehicles is looming | |
Galvanin et al. | Extraction of building roof contours from LiDAR data using a Markov-random-field-based approach | |
CN110569926B (zh) | 一种基于局部边缘特征增强的点云分类方法 | |
CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
CN115327553B (zh) | 一种诱导变异的快速激光雷达样本生成方法 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN115984662B (zh) | 一种多模态数据预训练及识别方法、装置、设备及介质 | |
CN115526924A (zh) | 一种蒙特卡洛模拟的水文环境建模方法及系统 | |
Kumar et al. | Feature relevance analysis for 3D point cloud classification using deep learning | |
CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
Zhang et al. | Optimal model fitting for building reconstruction from point clouds | |
Yang et al. | Lite-fpn for keypoint-based monocular 3d object detection | |
Nguyen et al. | Toward real-time vehicle detection using stereo vision and an evolutionary algorithm | |
CN116883611A (zh) | 一种结合gis航道信息的航道淤泥分布主动探测识别方法 | |
CN115588082A (zh) | 空间数字模型实时展示方法、装置、设备及存储介质 | |
JP5928240B2 (ja) | 3次元形状解釈装置及びプログラム | |
CN115546743A (zh) | 基于附着系数的车路协同控制方法、装置、设备及介质 | |
CN113920269A (zh) | 工程进度获取方法、装置、电子设备及介质 | |
CN112541436A (zh) | 专注度分析方法、装置、电子设备及计算机存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |