CN116030134A - 定位方法、装置、设备、可读存储介质及程序产品 - Google Patents

Abstract

本申请提供一种定位方法、装置、设备、可读存储介质及程序产品，方法包括获取运动对象的待定位点云段，待定位点云段包括当前帧点云和其前N‑1帧点云；将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符；将全局描述符与点云地图数据进行对比，确定目标点云段，点云地图数据包括多个地图点云段，每个地图点云段包括对应的描述符和位置信息，目标点云段对应的描述符与全局描述符相匹配；将目标点云段对应的位置信息确定为运动对象的当前位置信息。这样有效保证定位的高鲁棒性和高精度。

Description

定位方法、装置、设备、可读存储介质及程序产品

技术领域

本申请属于激光雷达定位技术领域，尤其涉及一种定位方法、装置、设备、可读存储介质及程序产品。

背景技术

随着智能化的不断发展，为了满足智能化需求，车辆或智能家居产品等运动对象均需要对其进行定位。目前可以采用局部扫描点云的方式进行定位，然而对于一些复杂场景，容易出现点云高度相似或者点云大面积缺失等情况导致定位不准确、鲁棒性较低的问题。

发明内容

本申请实施例提供一种定位方法、装置、设备、可读存储介质及程序产品，能够实现高鲁棒性和高精度的定位功能。

第一方面，本申请实施例提供一种定位方法，方法包括：

获取运动对象的待定位点云段，待定位点云段包括当前帧点云和当前帧点云的前N-1帧点云，N为大于1的整数；

将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符；

将全局描述符与点云地图数据进行对比，确定目标点云段，点云地图数据包括多个地图点云段，且每个地图点云段包括对应的描述符和位置信息，目标点云段对应的描述符与全局描述符相匹配；

将目标点云段对应的位置信息确定为运动对象的当前位置信息。

在一些实施例中，时序定位模型包括第一特征转换模块、第二特征转换模块和时序模块；

将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符，包括：

将待定位点云段输入至第一特征转换模块中，通过第一特征转换模块得到的结果与每帧点云进行向量相乘，得到包含每帧点云的低维特征的第一潜在向量；

将每帧点云的第一潜在向量输入至第二特征转换模块中，通过第二特征转换模块得到的结果与第一潜在向量相乘，得到包含每帧点云的高维特征的第二潜在向量；

将待定位点云段的第二潜在向量输入至时序模块中，通过时序模块聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符。

在一些实施例中，将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符之前，方法还包括：

获取训练样本集，训练样本集包括点云查询数据和点云地图数据；

对训练样本集进行预处理，得到多个查询点云段和多个地图点云段，每个查询点云段包括点云查询数据中的N帧点云，每个地图点云段包括点云地图数据中的N帧点云；

针对每个查询点云段，从多个地图点云段中标注查询点云段的正样本点云段和负样本点云段；

根据正样本点云段和负样本点云段，训练时序定位模型。

在一些实施例中，针对每个查询点云段，从多个地图点云段中标注查询点云段的正样本点云段和负样本点云段，包括：

针对每个查询点云段，确定多个地图点云段与查询点云段之间的距离；

将距离小于第一阈值的地图点云段标注为查询点云段的正样本点云段；

将距离大于第二阈值的地图点云段标注为查询点云段的负样本点云段。

在一些实施例中，对训练样本集进行预处理，得到多个查询点云段和多个地图点云段，包括：

对训练样本集中的每帧点云进行裁剪处理，得到坐标值处于预设范围内的第一点云；

对第一点云进行归一化处理，得到归一化点云数据；

针对归一化点云数据中的每帧归一化点云，标记并存储归一化点云的前N-1帧归一化点云，得到多个查询点云段和多个地图点云段。

在一些实施例中，对第一点云进行归一化处理，得到归一化点云数据，包括：

对第一点云进行下采样处理，得到第二点云；

对第二点云进行归一化处理，得到归一化点云数据。

在一些实施例中，根据正样本点云段和负样本点云段，训练时序定位模型，包括：

根据正样本点云段和负样本点云段，通过三元组损失函数，训练时序定位模型。

在一些实施例中，根据正样本点云段和负样本点云段，训练时序定位模型，包括：

获取验证样本集；

根据正样本点云段和负样本点云段进行模型训练，得到初始模型；

根据验证样本集对初始模型进行模型验证，得到验证结果；

在验证结果指示合格的情况下，将初始模型确定为时序定位模型并保存。

在一些实施例中，将初始模型确定为训练好的时序定位模型并保存之后，方法还包括：

获取测试样本集；

根据测试样本集对时序定位模型进行模型测试。

第二方面，本申请实施例提供了一种定位装置，装置包括：

第一获取模块，用于获取运动对象的待定位点云段，待定位点云段包括当前帧点云和当前帧点云的前N-1帧点云，N为大于1的整数；

输入模块，用于将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符；

第一确定模块，用于将全局描述符与点云地图数据进行对比，确定目标点云段，点云地图数据包括多个地图点云段，且每个地图点云段包括对应的描述符和位置信息，目标点云段对应的描述符与全局描述符相匹配；

第二确定模块，用于将目标点云段对应的位置信息确定为运动对象的当前位置信息。

第三方面，本申请实施例提供了一种定位设备，设备包括：

处理器以及存储有程序或指令的存储器；

所述处理器执行所述程序或指令时实现上述的方法。

第四方面，本申请实施例提供了一种机器可读存储介质，所述机器可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现上述的方法。

第五方面，本申请实施例提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行上述方法。

本申请实施例的定位方法、装置、设备、可读存储介质及程序产品，能够获取运动对象的待定位点云段，待定位点云段包括当前帧点云和当前帧点云的前N-1帧点云，N为大于1的整数；将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符；将全局描述符与点云地图数据进行对比，确定目标点云段，点云地图数据包括多个地图点云段，且每个地图点云段包括对应的描述符和位置信息，目标点云段对应的描述符与全局描述符相匹配；将目标点云段对应的位置信息确定为运动对象的当前位置信息。

这样，可以将当前帧点云以及其前序帧点云输入至时序定位模型中，通过提取每帧点云的低维特征克服点云的无序性，并深层次挖掘点云的高维特征，从而得到聚合了高维特征和时序信息的全局描述符，利用全局描述符去匹配定位，如此，在面对点云重复率高场景或点云大面积缺失场景，也可以借助连续点云帧进行精准定位，有效保证了定位的高鲁棒性和高精度。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，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是本申请一个实施例提供的定位方法的流程示意图；

图2是本申请一个实施例提供的定位方法中时序定位模型的示意图；

图3是本申请另一个实施例提供的定位装置的结构示意图；

图4是本申请又一个实施例提供的电子设备的结构示意图。

实施方式

下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。

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……”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。

为了解决现有技术问题，本申请实施例提供了一种定位方法、装置、设备、可读存储介质及程序产品。下面首先对本申请实施例所提供的定位方法进行介绍。

图1示出了本申请一个实施例提供的定位方法的流程示意图。该定位方法可以应用在运动对象移动需要定位的场景中，例如，运动对象可以是车辆或者其他智能家居产品，如扫地机器人等。

如图1所示，定位方法可以包括如下步骤：

步骤101，获取运动对象的待定位点云段，待定位点云段包括当前帧点云和当前帧点云的前N-1帧点云，N为大于1的整数。

在步骤101中，待定位点云段可以包括当前帧点云和当前帧点云的前N-1帧点云，其中N的取值可以结合实际情况进行设定，如N的取值范围可以为3~10。为了便于描述本申请实施例的方案，下面将以N为5为例进行说明，即待定位点云段可以包括连续的5帧点云（当前帧点云以及其前4帧点云）。

在需要定位运动对象的当前位置信息时，可以获取待定位点云段，其中待定位点云段可以是基于激光雷达或深度相机等设备获取得到，此处不作具体限定。

步骤102，将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符。

在步骤102中，时序定位模型可以是预先训练好的注意力机制模型。可以将待定位点云段输入至时序定位模型中，在时序定位模型中，可以提取每帧点云的低维特征，低维特征一般具有无序性。示例地，可以使用1*1大小的卷积核提取每个点的低维特征从而保证低维特征与点的顺序无关。

可以基于低维特征确定每帧点云的更深层次的高维特征，高维特征相比于低维特征其信息量更丰富。可以聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符，即该全局描述符可以包含每帧点云的空间信息，还可以包含连续5帧点云的时间信息。

步骤103，将全局描述符与点云地图数据进行对比，确定目标点云段，点云地图数据包括多个地图点云段，且每个地图点云段包括对应的描述符和位置信息，目标点云段对应的描述符与全局描述符相匹配。

在步骤103中，点云地图数据可以包括多个地图点云段，其中每个地图点云段的点云帧数与待定位点云段相同，即N帧点云。每个地图点云段可以包括对应的描述符，可以理解的是，每个地图点云段对应的描述符可以是在训练时序定位模型时确定并预先存储的。

可以将全局描述符与点云地图数据中多个地图点云段对应的描述符进行匹配，确定出与全局描述符相匹配的描述符所对应的目标点云段。

步骤104，将目标点云段对应的位置信息确定为运动对象的当前位置信息。

在步骤104中，可以理解的是，点云地图数据通常存储有全路段上每个位置的点云帧，基于此，可以将目标点云段对应的位置信息确定为运动对象的当前位置信息。

在本申请实施例中，定位方法能够获取运动对象的待定位点云段，待定位点云段包括当前帧点云和当前帧点云的前N-1帧点云，N为大于1的整数；将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符；将全局描述符与点云地图数据进行对比，确定目标点云段，点云地图数据包括多个地图点云段，且每个地图点云段包括对应的描述符和位置信息，目标点云段对应的描述符与全局描述符相匹配；将目标点云段对应的位置信息确定为运动对象的当前位置信息。

这样，可以将当前帧点云以及其前序帧点云输入至时序定位模型中，通过提取每帧点云的低维特征克服点云的无序性，并深层次挖掘点云的高维特征，从而得到聚合了高维特征和时序信息的全局描述符，利用全局描述符去匹配定位，如此，在面对点云重复率高场景或点云大面积缺失场景，也可以借助连续点云帧进行精准定位，有效保证了定位的高鲁棒性和高精度。

在一些实施例中，时序定位模型可以包括第一特征转换模块、第二特征转换模块和时序模块，上述步骤102可以包括如下步骤：

将待定位点云段输入至第一特征转换模块中，通过第一特征转换模块得到的结果与每帧点云进行向量相乘，得到包含每帧点云的低维特征的第一潜在向量；

将每帧点云的第一潜在向量输入至第二特征转换模块中，通过第二特征转换模块得到的结果与第一潜在向量相乘，得到包含每帧点云的高维特征的第二潜在向量；

将待定位点云段的第二潜在向量输入至时序模块中，通过时序模块聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符。

在本实施例中，时序定位模型可以包括第一特征转换模块（Point Transform）、第二特征转换模块（Feature Transform）和时序模块（Transformer）。

其中，如图2所示，第一特征转换模块（Point Transform）可以包括三层卷积层(Conv)，一层最大池化层(Maxpooling)以及三层全连接层(FC)。Conv(h,w,c)可以表示使用(h*w)大小的卷积核，其输出通道大小为c，即有c个大小为(h*w)的卷积核进行卷积操作，FC(x)可以表示尺寸大小为x的全连接层。第一特征转换模块可以用来直接处理无序的点云，并生成不受乱序点影响的低维特征。

可以将待定位点云段输入至第一特征转换模块中，通过第一特征转换模块得到的结果与每帧点云进行向量相乘，得到包含每帧点云的低维特征的第一潜在向量。示例地，每帧点云（Point Cloud_1至Point Cloud_5）经过三层卷积层、最大池化层和三层全连接层后可以得到每帧点云的低维特征，由于最大池化操作具有对称性属于对称函数，该结构的应用可以克服点云无序性，从而实现无序点云到特征转换，不受到点云乱序影响。每帧点云通过第一特征转换模块得到的结果，再与原来的每帧点云进行向量相乘，可以转换为点云不受点云输入顺序影响，且包含低维特征的第一潜在向量（latent vector）。

第二特征转换模块（Feature Transform）的结构可以与第一特征转换模块的结构相似，即第二特征转换模块也可以包括三层卷积层(Conv)，一层最大池化层(Maxpooling)以及三层全连接层(FC)。Conv(h,w,c)可以表示使用(h*w)大小的卷积核，其输出通道大小为c，即有c个大小为(h*w)的卷积核进行卷积操作，FC(x)可以表示尺寸大小为x的全连接层。

第二特征转换模块可以为特征注意力机制模块，即可以将每帧点云的第一潜在向量（latent vector）输入至第二特征转换模块中，通过第二特征转换模块得到的结果与第一潜在向量（latent vector）相乘，得到包含每帧点云的高维特征的第二潜在向量（latentvector）。换而言之，第二特征转换模块可以进一步挖掘点云特征，激活点云深层次特征并将低维特征转换为信息量丰富的高维特征。

时序模块（Transformer）为处理时序信息的经典自注意力机制模块，可以将待定位点云段的第二潜在向量输入至时序模块中，通过时序模块聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符(Global Descriptor)。示例地，如图2所示，可以将第二潜在向量（latent vector）由离散变量转为连续向量（embedding），基于连续向量时序模型可以提取并聚合5帧连续点云的时序信息，其中时序模块的层数可以设置为1，输出的向量维度可以为256。其不仅可以处理时序信息，还可以聚合点云向量，即时序模块从连续5帧点云中提取的256维高维特征，包含了每帧点云的空间信息，也包含了5帧连续点云的时间信息。

本实施例中，时序定位模型使用了包含卷积结构的第一特征转换模块和第二特征转换模块，保证了时序定位模型可以克服点云的无序性，并深层次挖掘点云特征，从而保证了高精度定位点云。另外时序定位模型使用了时序模块聚合时序点云信息并生成全局描述符，可以有效地提取连续点云帧的时序信息，利用连续点云帧信息可以克服复杂场景下定位困难等问题，在面对重复率高场景或大面积缺失场景，可以借助连续的前序点云进行精准判断，提高了定位鲁棒性。

在一些实施例中，上述步骤102之前，定位方法还可以包括：

获取训练样本集，训练样本集包括点云查询数据和点云地图数据；

对训练样本集进行预处理，得到多个查询点云段和多个地图点云段，每个查询点云段包括点云查询数据中的N帧点云，每个地图点云段包括点云地图数据中的N帧点云；

针对每个查询点云段，从多个地图点云段中标注查询点云段的正样本点云段和负样本点云段；

根据正样本点云段和负样本点云段，训练时序定位模型。

在本实施例中，可以获取训练样本集，其中训练样本集可以包括点云查询数据和点云地图数据。示例地，可以先准备包括点云查询数据和点云地图数据在内的时序点云数据，可以将该时序点云数据的全部或部分作为训练样本集，用于训练时序定位模型。

可以对训练样本集进行预处理，例如可以标记点云查询数据中的每帧点云及其前N-1帧的点云序列，从而得到多个查询点云段，即每个查询点云段可以包括点云查询数据中的N帧点云。同理地，可以标记点云地图数据中的每帧点云及其前N-1帧的点云序列，从而得到多个地图点云段，即每个地图点云段可以包括点云地图数据中的N帧点云。

针对每个查询点云段，可以从多个地图点云段中标注查询点云段的正样本点云段和负样本点云段。示例地，可以将多个地图点云段中与该查询点云段相似的确定为正样本点云段，与该查询点云段不相似的确定为负样本点云段。

可以根据正样本点云段和负样本点云段，训练时序定位模型，使得输出的某个查询点云段的全局描述符为与其最为相似的正样本点云段对应的描述符。

在一些实施例中，上述针对每个查询点云段，从多个地图点云段中标注查询点云段的正样本点云段和负样本点云段，可以包括如下步骤：

针对每个查询点云段，确定多个地图点云段与查询点云段之间的距离；

将距离小于第一阈值的地图点云段标注为查询点云段的正样本点云段；

将距离大于第二阈值的地图点云段标注为查询点云段的负样本点云段。

在本实施例中，针对每个查询点云段，可以确定多个地图点云段与查询点云段之间的距离。可以理解的是，此处距离可以是指多个地图点云段与查询点云段对应位置坐标的距离，该距离可以通过现有的点云距离公式计算得到，此处不作具体限定。

例如，在一些示例中，可以计算查询点云段与地图点云段之间的欧式距离，计算公式可以如公式（1）所示：

。

其中，dist()表示欧氏距离函数，X、Y分别表示查询点云帧与地图点云帧，每个查询点云帧和每个地图点云帧均可以包括n个点，对于其中一个点i的X值和Y值为x_i、y_i，sqr()为平方根函数。

可以将距离小于第一阈值的地图点云段标注为查询点云段的正样本点云段，将距离大于第二阈值的地图点云段标注为查询点云段的负样本点云段。可以理解的是，第一阈值和第二阈值可以基于实际需求进行设定，此处不作具体限定。

例如，对于某一帧查询点云及其前序4帧查询点云，可以设置与该查询点云相邻3米内的各帧地图点云为其相似点云帧，每个相似点云帧及其前序4帧点云，即可以作为正样本点云段。同理可以设置与该查询点云相距10米外的各帧地图点云为其不相似点云帧，每个不相似点云帧及其前序4帧点云，即可以作为负样本点云段。

在一些实施例中，上述对训练样本集进行预处理，得到多个查询点云段和多个地图点云段，可以包括如下步骤：

对训练样本集中的每帧点云进行裁剪处理，得到坐标值处于预设范围内的第一点云；

对第一点云进行归一化处理，得到归一化点云数据；

针对归一化点云数据中的每帧归一化点云，标记并存储归一化点云的前N-1帧归一化点云，得到多个查询点云段和多个地图点云段。

在本实施例中，对训练样本集进行预处理，可以首先对训练样本集中的每帧点云进行裁剪处理，得到坐标值处于预设范围内的第一点云。示例地，可以将每帧点云裁剪到目标区域，将每帧点云中x、y、z的坐标值在预设范围内的点保留下来，超出预设范围的因其包含的信息量较少且匹配意义不大所以去除，得到第一点云。其中预设范围可以根据实际需求进行设定，此处不作具体限定。例如可以将x、y、z的坐标值在（-k，k）范围内的点保留下来。

可以对第一点云进行归一化处理，得到归一化点云数据，这样可以将每个点x、y、z的坐标值控制在[-1，1]之间。归一化公式可以如公式（2）所示：

。

其中，M可以表示每个点归一化处理后的x、y、z的坐标值，m可以表示每个点原始的x、y、z的坐标值，avg()表示求平均值函数。

可以针对归一化点云数据中的每帧归一化点云，标记并存储归一化点云的前N-1帧归一化点云，得到多个查询点云段和多个地图点云段，以方便后续模型的训练。

这样，可以先通过裁剪处理，去除信息量较少的点，保留第一点云，再对第一点云进行归一化处理，有效减少了模型训练的训练量，节约了模型训练的算力，提高了模型训练的效率。

在一些实施例中，上述对第一点云进行归一化处理，得到归一化点云数据，可以包括如下步骤：

对第一点云进行下采样处理，得到第二点云；

对第二点云进行归一化处理，得到归一化点云数据。

在本实施例中，得到第一点云后，还可以对第一点云进行下采样处理，得到第二点云，再对第二点云进行归一化处理。

可以理解的是，训练样本集中每帧点云通常包括大量的点，例如每帧点云包括的点的数量可能在两万多，训练量巨大，相对的算力消耗也较大。基于此，可以对第一点云进行下采样处理，可以随机均匀采样出较少的点，如4096个点，这样可以得到数量较少的第二点云。进一步减少了模型训练的训练量，节约了模型训练的算力，提高了模型训练的效率。

在一些实施例中，上述根据正样本点云段和负样本点云段，训练时序定位模型，可以包括如下步骤：

根据正样本点云段和负样本点云段，通过三元组损失函数，训练时序定位模型。

在本实施例中，可以通过三元组损失函数，训练时序定位模型。三元组损失函数可以如公式（3）所示：

。

其中，L可以表示损失函数，X_i表示M个点云帧中第i个点云帧，f()表示第i个点云帧与其前4帧点云的描述符，a表示第i个点云帧对应的点云段本身，p表示第i个点云帧对应的点云段的正样本点云段，n表示第i个点云帧对应的点云段的负样本点云段，‖ ‖₂表示两者的欧式距离，α为超参数（设置的边缘值），公式中[]₊表示当损失函数L值大于0时；L等于该值，当损失函数L值小于0时L等于0。

该三元组损失函数的目的为拉近查询点云段与其正样本点云段之间的距离，拉远查询点云段与其负样本点云段之间的距离，使得查询点云段与其正样本点云段之间的距离大于查询点云段与其负样本点云段之间的距离，并存在边缘值α的间隔。

可以借助损失函数进行模型优化，拉近查询点云段与其正样本点云段之间的距离，拉远查询点云段与其负样本点云段之间的距离，判断相似度。其中，相似度计算公式可以如公式（4）所示：

。

其中，s表示相似度。时序定位模型可以根据点云查询数据中的第i点云段生成描述符f(pc_i)，根据点云地图数据中的第j点云段生成描述符f(pc_j)，根据公式（4）计算两者的欧式距离，当距离最小即为两个向量相似度最高，则认为是最相似点云段。

基于此，每个查询点云段都能在已有的点云地图数据中找到与之欧式距离最近的地图点云段（即目标点云段），目标点云段即为该查询点云段在点云地图数据中的位置，从而可以借助时序信息高精度高鲁棒地实现点云定位功能。

在一些实施例中，上述根据正样本点云段和负样本点云段，训练时序定位模型，可以包括如下步骤：

获取验证样本集；

根据正样本点云段和负样本点云段进行模型训练，得到初始模型；

根据验证样本集对初始模型进行模型验证，得到验证结果；

在验证结果指示合格的情况下，将初始模型确定为时序定位模型并保存。

在本实施例中，为了保证时序定位模型的精度，可以获取验证样本集，对训练的模型进行验证。如上文所言，可以先准备包括点云查询数据和点云地图数据在内的时序点云数据，可以将该时序点云数据的部分作为训练样本集，另一部分作为验证样本集。训练样本集用于模型训练，验证样本集则用于模型验证。

根据正样本点云段和负样本点云段进行模型训练，得到初始模型后，可以根据验证样本集对初始模型进行模型验证，得到验证结果。若验证结果指示合格（如验证准确率满足阈值），则可以将初始模型确定为时序定位模型并保存。若验证结果指示不合格（如验证准确率不满足阈值），则可以调整模型参数对模型进行优化，直至验证结果合格后，保存验证合格的时序定位模型。

在一些实施例中，上述将初始模型确定为训练好的时序定位模型并保存之后，定位方法还可以包括如下步骤：

获取测试样本集；

根据测试样本集对时序定位模型进行模型测试。

在本实施例中，为了进一步保证时序定位模型的精度，还可以获取测试样本集，对保存的时序定位模型进行测试。如上文所言，可以先准备包括点云查询数据和点云地图数据在内的时序点云数据，可以将该时序点云数据的第一部分（如80%）作为训练样本集，第二部分（如10%）作为验证样本集，第三部分（如10%）作为测试样本集。训练样本集用于模型训练，验证样本集则用于模型验证，测试样本集用于模型测试。

可以根据测试样本集对时序定位模型进行模型测试，若测试通过则可以认为该时序定位模型的精度满足需求，可以用于后续的点云定位。若测试不通过，则可以认为该时序定位模型的精度较差，会影响定位准确性，此时可以重新训练时序定位模型，直至测试通过。

基于上述实施例提供的定位方法，本申请还提供了一种定位装置的实施例。

图3示出了本申请另一个实施例提供的定位装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。

参照图3，定位装置300可以包括：

第一获取模块301，用于获取运动对象的待定位点云段，待定位点云段包括当前帧点云和当前帧点云的前N-1帧点云，N为大于1的整数；

输入模块302，用于将待定位点云段输入至时序定位模型中，通过时序定位模型提取每帧点云的低维特征，基于低维特征确定每帧点云的高维特征，聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符；

第一确定模块303，用于将全局描述符与点云地图数据进行对比，确定目标点云段，点云地图数据包括多个地图点云段，且每个地图点云段包括对应的描述符和位置信息，目标点云段对应的描述符与全局描述符相匹配；

第二确定模块304，用于将目标点云段对应的位置信息确定为运动对象的当前位置信息。

在一些实施例中，时序定位模型可以包括第一特征转换模块、第二特征转换模块和时序模块，输入模块302，还可以用于：

将待定位点云段输入至第一特征转换模块中，通过第一特征转换模块得到的结果与每帧点云进行向量相乘，得到包含每帧点云的低维特征的第一潜在向量；

将每帧点云的第一潜在向量输入至第二特征转换模块中，通过第二特征转换模块得到的结果与第一潜在向量相乘，得到包含每帧点云的高维特征的第二潜在向量；

将待定位点云段的第二潜在向量输入至时序模块中，通过时序模块聚合待定位点云段的高维特征和时序信息，得到待定位点云段对应的全局描述符。

在一些实施例中，定位装置300还可以包括：

第二获取模块，用于获取训练样本集，训练样本集包括点云查询数据和点云地图数据；

预处理模块，用于对训练样本集进行预处理，得到多个查询点云段和多个地图点云段，每个查询点云段包括点云查询数据中的N帧点云，每个地图点云段包括点云地图数据中的N帧点云；

标注模块，用于针对每个查询点云段，从多个地图点云段中标注查询点云段的正样本点云段和负样本点云段；

训练模块，用于根据正样本点云段和负样本点云段，训练时序定位模型。

在一些实施例中，标注模块还可以用于：

针对每个查询点云段，确定多个地图点云段与查询点云段之间的距离；

将距离小于第一阈值的地图点云段标注为查询点云段的正样本点云段；

将距离大于第二阈值的地图点云段标注为查询点云段的负样本点云段。

在一些实施例中，预处理模块还可以用于：

对训练样本集中的每帧点云进行裁剪处理，得到坐标值处于预设范围内的第一点云；

对第一点云进行归一化处理，得到归一化点云数据；

针对归一化点云数据中的每帧归一化点云，标记并存储归一化点云的前N-1帧归一化点云，得到多个查询点云段和多个地图点云段。

在一些实施例中，预处理模块还可以用于：

对第一点云进行下采样处理，得到第二点云；

对第二点云进行归一化处理，得到归一化点云数据。

在一些实施例中，训练模块还可以用于：

根据正样本点云段和负样本点云段，通过三元组损失函数，训练时序定位模型。

在一些实施例中，训练模块还可以用于：

获取验证样本集；

根据正样本点云段和负样本点云段进行模型训练，得到初始模型；

根据验证样本集对初始模型进行模型验证，得到验证结果；

在验证结果指示合格的情况下，将初始模型确定为时序定位模型并保存。

在一些实施例中，定位装置300还可以包括测试模块，测试模块可以用于：

获取测试样本集；

根据测试样本集对时序定位模型进行模型测试。

需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，与本申请方法实施例基于同一构思，是与上述定位方法对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

图4示出了本申请又一个实施例提供的电子设备的硬件结构示意图。

设备可以包括处理器401以及存储有程序或指令的存储器402。

处理器401执行程序时实现上述任意各个方法实施例中的步骤。

示例性的，程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器402中，并由处理器401执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列程序指令段，该指令段用于描述程序在设备中的执行过程。

具体地，上述处理器401可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit ，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。

存储器402可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器402可包括硬盘驱动器（Hard Disk Drive，HDD）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（Universal Serial Bus，USB）驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器402可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器402可在综合网关容灾设备的内部或外部。在特定实施例中，存储器402是非易失性固态存储器。

存储器可包括只读存储器（ROM），随机存取存储器（RAM），磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形（非暂态）机器可读存储介质（例如，存储器设备），并且当该软件被执行（例如，由一个或多个处理器）时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。

处理器401通过读取并执行存储器402中存储的程序或指令，以实现上述实施例中的任意一种方法。

在一个示例中，电子设备还可包括通信接口403和总线404。其中，处理器401、存储器402、通信接口403通过总线404连接并完成相互间的通信。

通信接口403，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。

总线404包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口（AGP）或其他图形总线、增强工业标准架构（EISA）总线、前端总线（FSB）、超传输（HT）互连、工业标准架构（ISA）总线、无限带宽互连、低引脚数（LPC）总线、存储器总线、微信道架构（MCA）总线、外围组件互连（PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（SATA）总线、视频电子标准协会局部（VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线404可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。

另外，结合上述实施例中的方法，本申请实施例可提供一种机器可读存储介质来实现。该机器可读存储介质上存储有程序或指令；该程序或指令被处理器执行时实现上述实施例中的任意一种方法。该机器可读存储介质可以被如计算机等机器读取。

本申请实施例另提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

应理解，本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。

本申请实施例提供一种计算机程序产品，该程序产品被存储在机器可读存储介质中，该程序产品被至少一个处理器执行以实现如上述方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。

需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。

以上所述的结构框图中所示的功能模块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路（ASIC）、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM（EROM）、软盘、CD-ROM、光盘、硬盘、光纤介质、射频（RF）链路，等等。代码段可以经由诸如因特网、内联网等的计算机网格被下载。

还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。

上面参考根据本公开的实施例的方法、装置（系统）和程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序或指令实现。这些程序或指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。

以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (13)

1.一种定位方法，其特征在于，包括：

获取运动对象的待定位点云段，所述待定位点云段包括当前帧点云和所述当前帧点云的前N-1帧点云，N为大于1的整数；

将所述待定位点云段输入至时序定位模型中，通过所述时序定位模型提取每帧点云的低维特征，基于所述低维特征确定所述每帧点云的高维特征，聚合所述待定位点云段的高维特征和时序信息，得到所述待定位点云段对应的全局描述符；

将所述全局描述符与点云地图数据进行对比，确定目标点云段，所述点云地图数据包括多个地图点云段，且每个地图点云段包括对应的描述符和位置信息，所述目标点云段对应的描述符与所述全局描述符相匹配；

将所述目标点云段对应的位置信息确定为所述运动对象的当前位置信息。

2.根据权利要求1所述的方法，其特征在于，所述时序定位模型包括第一特征转换模块、第二特征转换模块和时序模块；

所述将所述待定位点云段输入至时序定位模型中，通过所述时序定位模型提取每帧点云的低维特征，基于所述低维特征确定所述每帧点云的高维特征，聚合所述待定位点云段的高维特征和时序信息，得到所述待定位点云段对应的全局描述符，包括：

将所述待定位点云段输入至所述第一特征转换模块中，通过所述第一特征转换模块得到的结果与所述每帧点云进行向量相乘，得到包含所述每帧点云的低维特征的第一潜在向量；

将所述每帧点云的第一潜在向量输入至所述第二特征转换模块中，通过所述第二特征转换模块得到的结果与所述第一潜在向量相乘，得到包含所述每帧点云的高维特征的第二潜在向量；

将所述待定位点云段的第二潜在向量输入至所述时序模块中，通过所述时序模块聚合所述待定位点云段的高维特征和时序信息，得到所述待定位点云段对应的全局描述符。

3.根据权利要求1所述的方法，其特征在于，所述将所述待定位点云段输入至时序定位模型中，通过所述时序定位模型提取每帧点云的低维特征，基于所述低维特征确定所述每帧点云的高维特征，聚合所述待定位点云段的高维特征和时序信息，得到所述待定位点云段对应的全局描述符之前，所述方法还包括：

获取训练样本集，所述训练样本集包括点云查询数据和所述点云地图数据；

对所述训练样本集进行预处理，得到多个查询点云段和多个地图点云段，每个查询点云段包括所述点云查询数据中的N帧点云，每个地图点云段包括所述点云地图数据中的N帧点云；

针对每个查询点云段，从所述多个地图点云段中标注所述查询点云段的正样本点云段和负样本点云段；

根据所述正样本点云段和所述负样本点云段，训练时序定位模型。

4.根据权利要求3所述的方法，其特征在于，所述针对每个查询点云段，从所述多个地图点云段中标注所述查询点云段的正样本点云段和负样本点云段，包括：

所述针对每个查询点云段，确定所述多个地图点云段与所述查询点云段之间的距离；

将所述距离小于第一阈值的地图点云段标注为所述查询点云段的正样本点云段；

将所述距离大于第二阈值的地图点云段标注为所述查询点云段的负样本点云段。

5.根据权利要求3所述的方法，其特征在于，所述对所述训练样本集进行预处理，得到多个查询点云段和多个地图点云段，包括：

对所述训练样本集中的每帧点云进行裁剪处理，得到坐标值处于预设范围内的第一点云；

对所述第一点云进行归一化处理，得到归一化点云数据；

针对所述归一化点云数据中的每帧归一化点云，标记并存储所述归一化点云的前N-1帧归一化点云，得到多个查询点云段和多个地图点云段。

6.根据权利要求5所述的方法，其特征在于，所述对所述第一点云进行归一化处理，得到归一化点云数据，包括：

对所述第一点云进行下采样处理，得到第二点云；

对所述第二点云进行归一化处理，得到归一化点云数据。

7.根据权利要求3所述的方法，其特征在于，所述根据所述正样本点云段和所述负样本点云段，训练时序定位模型，包括：

根据所述正样本点云段和所述负样本点云段，通过三元组损失函数，训练时序定位模型。

8.根据权利要求3所述的方法，其特征在于，所述根据所述正样本点云段和所述负样本点云段，训练时序定位模型，包括：

获取验证样本集；

根据所述正样本点云段和所述负样本点云段进行模型训练，得到初始模型；

根据所述验证样本集对所述初始模型进行模型验证，得到验证结果；

在所述验证结果指示合格的情况下，将所述初始模型确定为时序定位模型并保存。

9.根据权利要求8所述的方法，其特征在于，所述将所述初始模型确定为训练好的时序定位模型并保存之后，所述方法还包括：

获取测试样本集；

根据所述测试样本集对所述时序定位模型进行模型测试。

10.一种定位装置，其特征在于，所述装置包括：

第一获取模块，用于获取运动对象的待定位点云段，所述待定位点云段包括当前帧点云和所述当前帧点云的前N-1帧点云，N为大于1的整数；

输入模块，用于将所述待定位点云段输入至时序定位模型中，通过所述时序定位模型提取每帧点云的低维特征，基于所述低维特征确定所述每帧点云的高维特征，聚合所述待定位点云段的高维特征和时序信息，得到所述待定位点云段对应的全局描述符；

第一确定模块，用于将所述全局描述符与点云地图数据进行对比，确定目标点云段，所述点云地图数据包括多个地图点云段，且每个地图点云段包括对应的描述符和位置信息，所述目标点云段对应的描述符与所述全局描述符相匹配；

第二确定模块，用于将所述目标点云段对应的位置信息确定为所述运动对象的当前位置信息。

11.一种电子设备，其特征在于，所述设备包括：处理器以及存储有程序或指令的存储器；

所述处理器执行所述程序或指令时实现如权利要求1-9任意一项所述的方法。

12.一种机器可读存储介质，其特征在于，所述机器可读存储介质上存储有程序或指令，所述程序或指令被处理器执行时实现如权利要求1-9任意一项所述的方法。

13.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-9任意一项所述的方法。

Images