CN116381650A - 一种激光雷达点云位置和强度仿真模拟及测试方法 - Google Patents
一种激光雷达点云位置和强度仿真模拟及测试方法 Download PDFInfo
- Publication number
- CN116381650A CN116381650A CN202310175866.5A CN202310175866A CN116381650A CN 116381650 A CN116381650 A CN 116381650A CN 202310175866 A CN202310175866 A CN 202310175866A CN 116381650 A CN116381650 A CN 116381650A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- simulation
- model
- laser radar
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 107
- 238000010998 test method Methods 0.000 title claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 239000000463 material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 239000003086 colorant Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 239000010426 asphalt Substances 0.000 claims description 3
- 239000004568 cement Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000003973 paint Substances 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本发明涉及一种激光雷达点云位置和强度仿真模拟及测试方法，包括以下步骤：选取感兴趣的目标板；选取需建模的激光雷达，利用目标板点云统计数据采集台架采集不同位姿条件下的激光雷达的真实点云数据；对采集到的点云数据进行位置信息和强度信息的提取，依据提取信息建立并训练包括强度模型、位置模型和检测概率模型的仿真点云单点计算模型；对仿真点云的单点计算模型进行机器学习与曲线拟合精度的评价，并进行相应的优化；对仿真点云计算模型进行计算速度和仿真点云精度评价，并进行相应的优化得到激光雷达仿真模型。与现有技术相比，本发明具有点云强度和点云测距误差仿真一致性高、实时性高、通用性强等优点。
Description
技术领域
本发明涉及激光雷达点云数据仿真技术领域，尤其是涉及一种激光雷达点云位置和强度仿真模拟及测试方法。
背景技术
随着智能网联汽车技术的发展，激光雷达作为一种新型的传感器在车载和路侧系统中的应用越来越普遍。
目前针对激光雷达应用的主要目的是开展道路交通参与者的检测跟踪及轨迹预测，采用的主流方法是基于深度学习理论的方法。因此此类方法训练需要充足的泛化性能足够好的优质数据集。然而不管是车端还是路端应用，数据集的构建都需要配备复杂的数据采集系统，精心规划数采周期，进行数据后处理以及标签化，这些繁琐的工作使得数据集的数量和质量难以保证，同时成本及其昂贵。
因此业内越来越多的专家学者在考虑利用仿真的方式扩展激光雷达点云数据，扩充可用于深度学习算法预训练的数据集。目前针对激光雷达建模仿真，有三大主流方法。
第一类方法是基于光线追踪算法的简单模型。此类模型仅仅模拟了不同型号激光雷达的扫描线束，最远检测距离，分辨率以及扫描频率等初级参数，结合三维场景模型输出三维点云。这样的模型仅适用于为自动驾驶规划决策等部件的输入，仿真的一致性最低。
第二类方法是基于光线衰减原理的激光雷达模型。此类模型在第一类模型的基础上，研究光线在介质中的传输过程，考虑诸如雨或者雾等大气现象导致的光束衰减模式，进而建立点云漏检以及最大检测距离。这样的模型理论性高，但是由于环境中影响因素众多，其模型中不可避免的简化使得模型的普适性低，且配置复杂。
第三类方法是基于数据驱动的激光雷达模型。此类模型是基于即时定位与建图方法，直接构建出真实交通环境的点云地图。在此基础上，利用体素下采样及法线估计算法重构三维网格及三维交通参与物模型，进而通过重采样重构点云。此类模型由于是基于真实采集点云数据生成仿真点云，其具有天然的高一致性，但是该方法依赖于真实场景的三维重构，无法充分发挥仿真点云灵活性的优势。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种激光雷达点云位置和强度仿真模拟及测试方法，充分结合物理建模及数据驱动建模的优缺点，通过构建理想可控的数据采集条件，采集真实激光雷达及目标板材质的数据，结合构建的仿真点云计算模型，重点重构真实点云的噪声特性。进一步结合光线追踪基础仿真模型，可实现灵活的三维交通场景建模及多种型号激光雷达的便捷模拟，为自动驾驶算法的测试及深度感知模型的合成数据构建提供基础；合成数据为是指利用自动驾驶仿真工具链构建具有较高一致性的模拟数据。
本发明的目的可以通过以下技术方案来实现：
一种激光雷达点云位置和强度仿真模拟及测试方法，包括以下步骤：
选取感兴趣的目标板；
选取需建模的激光雷达，利用目标板点云统计数据采集台架采集不同位姿条件下的激光雷达的真实点云数据，所述位姿条件包括入射角度以及激光雷达与目标板的相对距离；
对采集到的真实点云数据进行预处理；根据预处理后的真实点云数据进行平面拟合，提取激光光束与目标板之间相对入射角以及激光光束的测距，根据预设的强度建模及测距建模目标，仿真获取不同入射角度与强度的相关数据以及不同距离与测距误差的相关数据；
针对单束激光产生的一个目标板上的点进行模拟计算，生成包括强度模型、位置模型和检测概率模型的仿真点云单点计算模型，采用由真实点云数据获取的相关数据对所述仿真点云单点计算模型中的机器学习参数及曲线拟合参数进行训练；
对训练好的所述仿真点云的单点计算模型进行机器学习与曲线拟合精度的评价，若拟合精度达到预设的精度要求，则得到仿真点云计算模型；否则对拟合参数进行优化；
对所述仿真点云计算模型进行计算速度和仿真点云精度评价，若均满足预设的仿真需求，则作为激光雷达仿真模型，若计算速度不满足仿真需求，则优化仿真点云计算模型，若仿真点云精度不满足仿真需求，则优化仿真点云计算模型或单点计算模型。
进一步地，所述感兴趣的目标板的材质为不同颜色的车辆漆面材质、不同颜色的车衣材质、衣物布料材质、沥青路面或者水泥路面材质。
进一步地，所述不同位姿条件对用多个不同的入射角度和不同的激光雷达与目标板的相对距离，所述多个不同的入射角度包括激光光束与目标板相对入射角0°、1°、2°、3°、4°、5°、6°、7°、8°、9°、10°、20°、30°、40°、50°、60°、70°、80°、81°、82°、83°、84°、85°、86°、87°、88°和89°；所述不同的激光雷达与目标板的相对距离包括激光雷达与目标板相对距离10米、20米、30米、40米、50米、60米和70米。
进一步地，所述对采集到的真实点云数据进行的预处理包括非目标板点云剔除、目标板内异常点剔除以及多帧点云累积，并且判断目标板内点云是否过于稀疏或存在遮挡导致的点云缺失，若是则判定该帧点云无效，重新开展数据采集。
进一步地，所述提取激光光束与目标板之间相对入射角的计算表达式为：
式中，θ为激光光束与目标板之间相对入射角，向量(xT,yT,zT)T为拟合平面的法线，T为拟合的平面，向量(xL,yL,zL)T为激光光束的方向；
提取的所述激光光束的测距的计算表达式为：
d＝||(xL,yL,zL)T||
式中，d为激光光束的测距。
进一步地，所述强度模型的表达式为：
式中，I为最终计算出的强度，IB为基于迪士尼双向反射分布函数，输入参数R、G、B是光度仪测得的目标板的颜色数值，Ro、Me、Sp是对于BRDF而言的目标板粗糙度、金属度、镜面度参数，是后续机器学习及曲线拟合需要训练的参数，IC为补偿项，由拟合高斯核函数组成，Ni、σi为后续需要训练的参数，IN为噪声项，是服从拟合高斯分布的随机数，σ为后续需要训练的参数；
所述位置模型的表达式为：
式中，[α0β0D0]T是仿真环境中单束激光反射生成的点的理论位置极坐标。[γNγNDN]T为噪声项，γN为角度噪声，是服从经验性参数设置的高斯分布的随机数，DN为距离噪声，是服从拟合参数设置的高斯分布的随机数；[α β D]T是添加噪声后的仿真环境中生成的点的位置极坐标，之后转换成笛卡尔坐标[x y z]T
所述检测概率模型为当前生成的点发生缺失现象的概率，基于所述强度模型通过映射函数得到，所述映射函数由拟合得到。
进一步地，对所述仿真点云单点计算模型进行训练过程中的优化目标为：
式中，param为所有待拟合或训练参数，Df为可行域，Color为所有被测目标板颜色集合，S(R,G,B,param)指虚拟环境中于不同入射角和距离处生成的点序列的相关参数向量，G(R,G,B,param)指实际采集数据中与S(R,G,B,param)相对应的不同入射角和距离的点序列的相关参数向量。
进一步地，所述拟合精度的评价指标包括直方图分布相似度和/或以直方图分布相似度为核心的点云簇级别精度。
进一步地，对所述仿真点云计算模型进行计算速度和仿真点云精度评价过程中，针对计算速度，配置与目标激光雷达相同的分辨率，采用pointcloud2格式编码仿真点云，采用共享内存方式输出给待测的仿真点云计算模型，统计其最高输出频率；针对输出精度，采用三阶段点云精度评价标准，分别评价仿真点云计算模型生成的仿真点云在点级别、目标级别以及孪生场景级别的仿真精度。
进一步地，所述激光雷达包括机械旋转式激光雷达、MEMS扫描式激光雷达或非重复扫描式激光雷达。
进一步地，采用RANSAC算法对预处理后的真实点云数据进行平面拟合。
与现有技术相比，本发明具有以下优点：
(1)点云强度仿真一致性高。本方法采用标准条件下的实采数据作为点云模型建模的原始数据基础，数据真实可靠。采用BRDF(Bidirectional Reflectance DistributionFunction，双向反射分布函数)和高斯核函数通过不断迭代拟合不同位姿条件下的点云强度变化规律及噪声水平，拟合精度高。基于上述仿真点云计算模型的点云仿真能够实现与真实数据的高一致性。
(2)点云测距误差仿真一致性高。本方法采用标准条件下的实采数据作为点云模型建模的原始数据基础，数据真实可靠。基于测距噪声符合高斯白噪声的假设，估计不同真实距离下测距误差的标准差，拟合精度高。基于上述模型的点云仿真能够实现与真实数据的高一致性。
(3)点云仿真实时性高。本方法的计算管道基于迪士尼原则的BRDF模型，增加对于强度以及测距误差的精确模型，引入的新增计算量为常数级别。辅以图形卡的运算设备，能够实现高分辨率主流激光雷达点云的实时模拟。
(4)点云建模方法通用型强，可扩展。本方法的核心强度及测距模型采用数据驱动的方法，且数据采集的标准化高，自动化水平高，数采效率高。不仅如此，对激光雷达型号无限制，模型构建的方法具有通用型。在开展点云仿真中，基于光线追踪的仿真管道，适用于多种三维渲染组件，可扩展性强。
附图说明
图1为本发明实施例中提供的一种激光雷达点云位置和强度仿真模拟及测试方法的流程示意图；
图2为本发明实施例中提供的一种激光雷达点云位置和强度仿真模拟及测试方法的处理结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
实施例1
本实施例提供一种激光雷达点云位置和强度仿真模拟及测试方法，包括以下步骤：
选取感兴趣的目标板；
选取需建模的激光雷达，利用目标板点云统计数据采集台架采集不同位姿条件下的激光雷达的真实点云数据，位姿条件包括入射角度以及激光雷达与目标板的相对距离；
对采集到的真实点云数据进行预处理；根据预处理后的真实点云数据进行平面拟合，提取激光光束与目标板之间相对入射角以及激光光束的测距，根据预设的强度建模及测距建模目标，仿真获取不同入射角度与强度的相关数据以及不同距离与测距误差的相关数据；
针对单束激光产生的一个目标板上的点进行模拟计算，生成包括强度模型、位置模型和检测概率模型的仿真点云单点计算模型，采用由真实点云数据获取的相关数据对所述仿真点云单点计算模型中的机器学习参数及曲线拟合参数进行训练；
对训练好的仿真点云的单点计算模型进行机器学习与曲线拟合精度的评价，若拟合精度达到预设的精度要求，则得到仿真点云计算模型；否则对拟合参数进行优化；
对仿真点云计算模型进行计算速度和仿真点云精度评价，若均满足预设的仿真需求，则作为激光雷达仿真模型，若计算速度不满足仿真需求，则优化仿真点云计算模型，若仿真点云精度不满足仿真需求，则优化仿真点云计算模型或单点计算模型。
该方法首先构建理想可控的数据采集条件，采集真实激光雷达及目标板材质的数据，结合BRDF和高斯核函数，重点重构真实点云的噪声特性。进一步结合光线追踪基础仿真模型，可实现灵活的三维交通场景建模及多种型号激光雷达的便捷模拟，为自动驾驶算法的测试及深度感知模型的合成数据构建提供基础，
如图1所示，具体实施时，上述方法具体包括以下步骤：
(100)目标板选择：选择特定的感兴趣目标板，开展目标板的真实点云采集。目标板可以采用应用中比较关注的材质，比如不同颜色的车辆漆面材质、不同颜色的车衣材质、常见的衣物布料材质、沥青路面或者水泥路面材质等。
(200)目标板真实点云采集：选定需建模的特定型号激光雷达，利用目标板点云统计数据采集台架采集不同位姿条件下激光雷达的真实点云数据。其中不同位姿条件包括激光光束与目标板相对入射角0°、1°、2°、3°、4°、5°、6°、7°、8°、9°、10°、20°、30°、40°、50°、60°、70°、80°、81°、82°、83°、84°、85°、86°、87°、88°和89°，共27种入射角度，包括激光雷达与目标板相对距离10米，20米，30米，40米，50米，60米，70米，共7种距离。每种特定位姿条件，设定激光雷达工作频率为10Hz，采集点云300帧。
可选的，激光雷达包括但不限于机械旋转式、MEMS扫描式、非重复扫描式，且激光雷达工作波长包括905纳米以及1550纳米。
不同的相对位姿列表包括但不限于上述明确列出的入射角度和距离。
(300)获取采集的真实激光雷达点云数据之后，开展数据的预处理。预处理操作包括非目标板点云剔除、目标板内异常点剔除以及多帧点云累积、基于RANSAC算法的平面拟合。设拟合平面为T，激光光束为L，则平面板的法线可表示为向量(xT,yT,zT)T，激光光束的方向可表示为向量(xL,yL,zL)T。因此激光光束与目标板之间相对入射角为：
该激光光束的测距为
D0＝||(xL,yL,zL)T||
利用上述公式，处理所有目标板上的点云，提取其入射角度及距离。分别针对强度建模及测距建模目标，整理出不同入射角度与强度的相关数据以及不同距离与测距误差的相关数据。
(400)判断是否存在无法处理的点云数据，若存在目标板内点云过于稀疏或存在遮挡导致的点云缺失等现象，则判定该帧点云无效，需重新开展数据采集，转到(100)；
(500)针对单束激光产生的一个目标板上的点进行模拟计算，生成包括强度模型、位置模型和检测概率模型的仿真点云单点计算模型。其中强度模型为
其中为I最终计算出的强度，IB为基于迪士尼双向反射分布函数(BidirectionalReflection Distribution Function，BRDF)(Physically Based Shading at Disney,Brent Burley,Walt Disney Animation Studios)改进后的BRDF计算结果，改进后的BRDF相比于原始的迪士尼BRDF区别在于进行了简化，减少了所需参数数量。输入参数R、G、B是光度仪测得的目标板的颜色数值。Ro、Me、Sp是对于BRDF而言的目标板粗糙度、金属度、镜面度参数，是后续机器学习及曲线拟合需要训练的参数。IC为补偿项，由拟合高斯核函数组成，Ni、σi为后续需要训练的参数。IN为噪声项，是服从拟合高斯分布的随机数，σ为后续需要训练的参数。
位置模型为
[α0 β0 D0]T是仿真环境中单束激光反射生成的点的理论位置极坐标。[γN γNDN]T为噪声项，γN为角度噪声，是服从经验性参数设置的高斯分布的随机数，DN为距离噪声，是服从拟合参数设置的高斯分布的随机数。[α β D]T是添加噪声后的仿真环境中生成的点的位置极坐标，之后转换成笛卡尔坐标[x y z]T。
检测概率即当前生成的点发生缺失现象的概率，该概率与强度值有关，相关映射函数由拟合得到。
(600)使用梯度下降算法并利用真实点云数据对上述曲线拟合所需参数、神经网络参数进行训练。代价函数训练优化目标为
其中param为上述提到的所有待拟合或训练参数，Df为可行域，Color为所有被测目标板颜色集合，S(R,G,B,param)指虚拟环境中于不同入射角和距离处生成的点序列的相关参数向量，G(R,G,B,param)指实际采集数据中与S(R,G,B,param)相对应的不同入射角和距离的点序列的相关参数向量。
(700)评价机器学习及曲线拟合精度：点云仿真模拟的测距以及强度特性可以用直方图表示。因此引入直方图分布相似度作为核心评价指标。特定条件下，假设实采测距序列为r，仿真测距序列为r′，且|r|＝|r′|＝N，则点云距离仿真精度为
特定条件下，假设实采强度序列为i，仿真测距序列为i′，且|i|＝|i′|＝N，则点云距离仿真精度为/>
其中，激光雷达点云仿真精度评价指标包括但不限于采用直方图相似度及以其为核心的点云簇级别精度评价指标。
(800)判断拟合精度是否达到要求，若精度达到要求，则转到(900)。若精度未达到要求，则转到(801)。
(801)判断机器学习超参数设置是否合理，若不合理，则转到(802)若合理，则需要调整单点计算模型，转到(803)。
(802)调整机器学习超参数，之后重新进行机器学习及曲线拟合，转到(600)。
(803)优化单点计算模型，改进强度模型、位置模型和检测概率模型以提升仿真精度或提高计算速度，转到(500)。
(900)基于实采数据环境构建三维数字孪生场景，对采集用目标板和测试用车辆进行建模。使用五束以真实激光束角度为中心的仿真激光束模拟激光光束的发散效果。设定激光雷达所有出射光束的角度，使用光线追踪算法计算每束出射激光与场景物体相交点与反射情况，得到理想点云，再利用仿真点云单点计算模型对理想点云进行处理，生成该场景的仿真点云。
(1000)评价仿真点云的计算速度及精度，开展激光雷达点云仿真并用于自动驾驶系统的测试需要同时保证点云输出频率以及输出精度。选择点云仿真系统最高输出频率等于10Hz的情况下的计算速度为计算速度阈值。以直方图分布相似度评价点云仿真模拟的距离以及强度精度。特定条件下，假设实采测距序列为r，仿真测距序列为r′，且|r|＝|r′|＝N，则点云距离仿真精度为
特定条件下，假设实采强度序列为i，仿真测距序列为i′，且|i|＝|i′|＝N，则点云强度仿真精度为
(1100)判断计算速度是否达到要求，若计算速度高于阈值，则符合仿真需求，转到(1200)，否则转到(1101)。
(1101)优化整体计算模型，优化场景内生成仿真点云的计算方法，以提高计算速度或提升计算精度，之后重新进行(900)。
(1200)判断仿真点云精度是否达到要求，若未达到要求，则转到(1201)。若达到要求，则结束整体流程。
(1201)判断计算速度是否达到要求，若未达到阈值，则转到(1101)。若达到阈值，则转到(803)。
本实施例实现的数据处理流程如图2所示，图中分为数据采集及处理，强度及测距误差分布拟合，三维场景构建，激光雷达模型构建及运算，点云数据后处理及输出以及点云仿真精度评价。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，包括以下步骤：
选取感兴趣的目标板；
选取需建模的激光雷达，利用目标板点云统计数据采集台架采集不同位姿条件下的激光雷达的真实点云数据，所述位姿条件包括入射角度以及激光雷达与目标板的相对距离；
对采集到的真实点云数据进行预处理；根据预处理后的真实点云数据进行平面拟合，提取激光光束与目标板之间相对入射角以及激光光束的测距，根据预设的强度建模及测距建模目标，仿真获取不同入射角度与强度的相关数据以及不同距离与测距误差的相关数据；
针对单束激光产生的一个目标板上的点进行模拟计算，生成包括强度模型、位置模型和检测概率模型的仿真点云单点计算模型，采用由真实点云数据获取的相关数据对所述仿真点云单点计算模型中的机器学习参数及曲线拟合参数进行训练；
对训练好的所述仿真点云的单点计算模型进行机器学习与曲线拟合精度的评价，若拟合精度达到预设的精度要求，则得到仿真点云计算模型；否则对拟合参数进行优化；
对所述仿真点云计算模型进行计算速度和仿真点云精度评价，若均满足预设的仿真需求，则作为激光雷达仿真模型，若计算速度不满足仿真需求，则优化仿真点云计算模型，若仿真点云精度不满足仿真需求，则优化仿真点云计算模型或单点计算模型。
2.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，所述感兴趣的目标板的材质为不同颜色的车辆漆面材质、不同颜色的车衣材质、衣物布料材质、沥青路面或者水泥路面材质。
3.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，所述不同位姿条件对用多个不同的入射角度和不同的激光雷达与目标板的相对距离，所述多个不同的入射角度包括激光光束与目标板相对入射角0°、1°、2°、3°、4°、5°、6°、7°、8°、9°、10°、20°、30°、40°、50°、60°、70°、80°、81°、82°、83°、84°、85°、86°、87°、88°和89°；所述不同的激光雷达与目标板的相对距离包括激光雷达与目标板相对距离10米、20米、30米、40米、50米、60米和70米。
4.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，所述对采集到的真实点云数据进行的预处理包括非目标板点云剔除、目标板内异常点剔除以及多帧点云累积，并且判断目标板内点云是否过于稀疏或存在遮挡导致的点云缺失，若是则判定该帧点云无效，重新开展数据采集。
5.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，所述提取激光光束与目标板之间相对入射角的计算表达式为：
式中，θ为激光光束与目标板之间相对入射角，向量(xT,yT,zT)T为拟合平面的法线，T为拟合的平面，向量(xL,yL,zL)T为激光光束的方向；
提取的所述激光光束的测距的计算表达式为：
d＝||(xL,yL,zL)T||
式中，d为激光光束的测距。
6.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，所述强度模型的表达式为：
式中，I为最终计算出的强度，IB为基于迪士尼双向反射分布函数，输入参数R、G、B是光度仪测得的目标板的颜色数值，Ro、Me、Sp是对于BRDF而言的目标板粗糙度、金属度、镜面度参数，是后续机器学习及曲线拟合需要训练的参数，IC为补偿项，由拟合高斯核函数组成，Ni、σi为后续需要训练的参数，IN为噪声项，是服从拟合高斯分布的随机数，σ为后续需要训练的参数；
所述位置模型的表达式为：
式中，[α0 β0 D0]T是仿真环境中单束激光反射生成的点的理论位置极坐标。[γN γNDN]T为噪声项，γN为角度噪声，是服从经验性参数设置的高斯分布的随机数，DN为距离噪声，是服从拟合参数设置的高斯分布的随机数；[α β D]T是添加噪声后的仿真环境中生成的点的位置极坐标，之后转换成笛卡尔坐标[x y z]T；
所述检测概率模型为当前生成的点发生缺失现象的概率，基于所述强度模型通过映射函数得到，所述映射函数由拟合得到。
7.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，对所述仿真点云单点计算模型进行训练过程中的优化目标为：
s.t.param∈Df
式中，param为所有待拟合或训练参数，Df为可行域，Color为所有被测目标板颜色集合，S(R,G,B,param)指虚拟环境中于不同入射角和距离处生成的点序列的相关参数向量，G(R,G,B,param)指实际采集数据中与S(R,G,B,param)相对应的不同入射角和距离的点序列的相关参数向量。
8.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，所述拟合精度的评价指标包括直方图分布相似度和/或以直方图分布相似度为核心的点云簇级别精度。
9.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，对所述仿真点云计算模型进行计算速度和仿真点云精度评价过程中，针对计算速度，配置与目标激光雷达相同的分辨率，采用pointcloud2格式编码仿真点云，采用共享内存方式输出给待测的仿真点云计算模型，统计其最高输出频率；针对输出精度，采用三阶段点云精度评价标准，分别评价仿真点云计算模型生成的仿真点云在点级别、目标级别以及孪生场景级别的仿真精度。
10.根据权利要求1所述的一种激光雷达点云位置和强度仿真模拟及测试方法，其特征在于，所述激光雷达包括机械旋转式激光雷达、MEMS扫描式激光雷达或非重复扫描式激光雷达。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310175866.5A CN116381650A (zh) | 2023-02-28 | 2023-02-28 | 一种激光雷达点云位置和强度仿真模拟及测试方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310175866.5A CN116381650A (zh) | 2023-02-28 | 2023-02-28 | 一种激光雷达点云位置和强度仿真模拟及测试方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116381650A true CN116381650A (zh) | 2023-07-04 |
Family
ID=86979650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310175866.5A Pending CN116381650A (zh) | 2023-02-28 | 2023-02-28 | 一种激光雷达点云位置和强度仿真模拟及测试方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116381650A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332585A (zh) * | 2023-09-27 | 2024-01-02 | 奕富通集成科技(珠海横琴)有限公司 | 一种飞行时间测距激光雷达的仿真模型建模方法和系统 |
-
2023
- 2023-02-28 CN CN202310175866.5A patent/CN116381650A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117332585A (zh) * | 2023-09-27 | 2024-01-02 | 奕富通集成科技(珠海横琴)有限公司 | 一种飞行时间测距激光雷达的仿真模型建模方法和系统 |
| CN117332585B (zh) * | 2023-09-27 | 2024-06-07 | 奕富通集成科技(珠海横琴)有限公司 | 一种飞行时间测距激光雷达的仿真模型建模方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Winiwarter et al. | Virtual laser scanning with HELIOS++: A novel take on ray tracing-based simulation of topographic full-waveform 3D laser scanning | |
| EP3407292B1 (en) | Neural network point cloud generation system | |
| CN109655019B (zh) | 一种基于深度学习和三维重建的货物体积测量方法 | |
| Hanke et al. | Generation and validation of virtual point cloud data for automated driving systems | |
| CN111043988B (zh) | 一种基于图形学和深度学习的单张条纹投影测量方法 | |
| CN106780546B (zh) | 基于卷积神经网络的运动模糊编码点的身份识别方法 | |
| CN112241844B (zh) | 饮用水水源地环境风险源本底清单确定及更新方法和装置 | |
| CN116563466A (zh) | 一种基于深度学习的三维单木点云的补全方法 | |
| CN116381650A (zh) | 一种激光雷达点云位置和强度仿真模拟及测试方法 | |
| Salem et al. | Assessment of methods for industrial indoor object recognition | |
| CN117763423A (zh) | 一种基于深度学习的智能汽车激光雷达点云异常检测方法 | |
| CN117076928A (zh) | 一种桥梁健康状态监测方法、装置、系统及电子设备 | |
| JP2021154935A (ja) | 車両シミュレーションシステム、車両シミュレーション方法およびコンピュータプログラム | |
| CN115035251A (zh) | 一种基于领域增强合成数据集的桥面车辆实时追踪方法 | |
| CN113295142B (zh) | 一种基于faro扫描仪和点云的地形扫描分析方法和装置 | |
| JP2020109602A (ja) | モデル生成装置、車両シミュレーションシステム、モデル生成方法およびコンピュータプログラム | |
| CN111523392B (zh) | 一种基于卫星正射影像全姿态的深度学习样本制备方法及识别方法 | |
| CN110580468B (zh) | 一种基于影像匹配点云的单木结构参数提取的方法 | |
| CN117218063A (zh) | 基于施工阶段吊篮空间位置变化的桥体施工进度监测方法 | |
| Ma et al. | A virtual method for optimizing deployment of roadside monitoring lidars at as-built intersections | |
| Dierenbach et al. | Next-Best-View method based on consecutive evaluation of topological relations | |
| CN103996044A (zh) | 利用遥感图像提取目标的方法和装置 | |
| CN118692226B (zh) | 一种基于人工智能的洪水分析方法 | |
| CN114018773B (zh) | Pm2.5浓度空间分布数据的获取方法、装置、设备及存储介质 | |
| Schön et al. | Automated defect recognition in X-ray projections using neural networks trained on simulated and real-world data |
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 |