一种点云数据的过滤方法、系统及介质与流程
本申请涉及点云数据处理相关领域,尤其涉及一种点云数据的过滤方法、系统及介质。
背景技术:
1、在自动驾驶、移动机器人及三维环境建图领域,激光里程计的定位精度与建图一致性是保障系统可靠运行的核心要素。当前解决上述问题的技术手段主要依赖激光雷达点云配准方法,例如采用迭代最近点算法计算连续帧间点云的点到点或点到面的几何残差,并通过非线性最小二乘优化迭代求解位姿变换参数,以实现对传感器运动的估计。然而此类基于静态场景假设的方法在实际部署中存在一定的局限性:当环境中存在行人、车辆等运动物体时,其对应的点云会引入显著的几何匹配残差,导致位姿估计精度下降;同时,对于临时停放车辆、共享单车等静止但非永久存在的物体,传统方法缺乏区分机制,致使局部地图中出现不一致的伪影结构,难以保障长期建图的重叠性与全局一致性。
2、现阶段相关技术中,点云数据处理存在难以在保持静态结构信息完整性的前提下有效抑制由非永久性环境要素所引发的位姿估计扰动与地图累积失真的技术问题。
技术实现思路
1、本申请通过提供一种点云数据的过滤方法、系统及介质,通过采集激光雷达多帧点云并逐帧语义分割标注点位类别,通过时间滑动窗口求取各空间点位时间稳定性指标并赋值对应点,配准当前帧与历史关键帧,计算各点几何一致性指标,根据三项指标计算单点综合可靠分值,按分值筛选点云,用筛选数据优化解算当前位姿等技术手段,解决了现有点云数据处理存在的难以在保持静态结构信息完整性的前提下有效抑制由非永久性环境要素所引发的位姿估计扰动与地图累积失真的技术问题,达到了保留场景静态结构完整、滤除非永久环境干扰点,削减位姿估算扰动、遏制建图累积误差的技术效果。
2、本申请提供一种点云数据的过滤方法,包括:获取由激光雷达连续采集的多帧点云数据,对每一帧点云数据进行语义分割处理,得到每个点的语义类别标签;构建时间滑动窗口,统计每个空间位置随时间出现的点云连续性和位置变化幅度,得到每个空间位置的时间稳定性指标,并将所述时间稳定性指标赋予当前帧中落入所述空间位置的点;将当前帧点云数据与历史关键帧点云数据进行点云配准,计算每个点的几何一致性指标;根据每个点的所述语义类别标签、所述时间稳定性指标和所述几何一致性指标,计算每个点的综合可靠性评分;根据所述综合可靠性评分对当前帧点云数据中的点进行分类过滤,利用过滤后的点云数据进行位姿估计优化,得到当前位姿估计结果。
3、在可能的实现方式中,执行以下处理:所述语义分割处理采用基于点云的深度神经网络模型,所述深度神经网络模型包括pointnet++、rangenet++或sparse convolutionnetwork,网络输出每个点的语义类别标签。
4、在可能的实现方式中,构建时间滑动窗口,统计每个空间位置随时间出现的点云连续性和位置变化幅度,得到每个空间位置的时间稳定性指标,执行以下处理:将世界坐标系下的空间划分为三维体素网格,每个空间位置对应一个体素网格;在所述时间滑动窗口内,统计每个体素网格中出现点云的总帧数,计算所述总帧数与滑动窗口总帧数的比值,得到时间连续性评分;在所述时间滑动窗口内,统计每个体素网格中所有点云位置坐标的方差,得到位置变化幅度评分;将所述时间连续性评分与所述位置变化幅度评分进行加权融合,得到每个空间位置的时间稳定性指标。
5、在可能的实现方式中,将当前帧点云数据与历史关键帧点云数据进行点云配准,计算每个点的几何一致性指标,执行以下处理:将当前帧点云与历史关键帧点云进行点云配准,计算当前帧中每个点到其对应点或对应平面的匹配残差;将所述匹配残差通过映射函数转换至[0,1]区间,得到几何一致性指标。
6、在可能的实现方式中,根据每个点的所述语义类别标签、所述时间稳定性指标和所述几何一致性指标,计算每个点的综合可靠性评分,执行以下处理:根据所述语义类别标签设定语义权重:当语义类别标签属于稳定结构类时,语义权重设为第一数值;当语义类别标签属于可移动物体类时,语义权重设为第二数值,其中第一数值大于第二数值;分别设定语义权重、时间稳定性指标、几何一致性指标对应的第一系数、第二系数、第三系数;计算所述语义权重与第一系数的乘积、所述时间稳定性指标与第二系数的乘积、所述几何一致性指标与第三系数的乘积之和,作为综合可靠性评分。
7、在可能的实现方式中,根据所述综合可靠性评分对当前帧点云数据中的点进行分类过滤,利用过滤后的点云数据进行位姿估计优化,得到当前位姿估计结果,执行以下处理:设置低阈值和高阈值;将综合可靠性评分小于等于所述低阈值的点判定为动态点或无效静态点,从当前帧点云中剔除;将综合可靠性评分大于所述低阈值且小于所述高阈值的点判定为待定静态点并进行保留,在位姿估计优化中赋予第一权重值;将综合可靠性评分大于等于所述高阈值的点判定为可靠静态点并进行保留,在位姿估计优化中赋予第二权重值,所述第二权重值大于所述第一权重值;利用剔除及经权重配置后剩余的点云数据,与历史关键帧点云数据进行配准,通过最小化加权配准误差函数优化得到当前位姿估计结果。
8、本申请还提供了一种点云数据的过滤系统,包括:语义分割处理模块,用于获取由激光雷达连续采集的多帧点云数据,对每一帧点云数据进行语义分割处理,得到每个点的语义类别标签;时间稳定性指标计算模块,用于构建时间滑动窗口,统计每个空间位置随时间出现的点云连续性和位置变化幅度,得到每个空间位置的时间稳定性指标,并将所述时间稳定性指标赋予当前帧中落入所述空间位置的点;几何一致性指标计算模块,用于将当前帧点云数据与历史关键帧点云数据进行点云配准,计算每个点的几何一致性指标;综合可靠性评分计算模块,用于根据每个点的所述语义类别标签、所述时间稳定性指标和所述几何一致性指标,计算每个点的综合可靠性评分;点云过滤模块,用于根据所述综合可靠性评分对当前帧点云数据中的点进行分类过滤,利用过滤后的点云数据进行位姿估计优化,得到当前位姿估计结果。
9、本申请还提供了一种计算机可读存储介质,包括:其上存储有计算机程序,该程序被处理器执行时实现一种点云数据的过滤方法。
10、拟通过本申请提出的一种点云数据的过滤方法、系统及介质,首先获取由激光雷达连续采集的多帧点云数据,对每一帧点云数据进行语义分割处理,得到每个点的语义类别标签,接着构建时间滑动窗口,统计每个空间位置随时间出现的点云连续性和位置变化幅度,得到每个空间位置的时间稳定性指标,并将所述时间稳定性指标赋予当前帧中落入所述空间位置的点,然后将当前帧点云数据与历史关键帧点云数据进行点云配准,计算每个点的几何一致性指标,再根据每个点的所述语义类别标签、所述时间稳定性指标和所述几何一致性指标,计算每个点的综合可靠性评分,最后根据所述综合可靠性评分对当前帧点云数据中的点进行分类过滤,利用过滤后的点云数据进行位姿估计优化,得到当前位姿估计结果。通过上述过程,本申请所提出的方法、系统及介质达到了保留场景静态结构完整、滤除非永久环境干扰点,削减位姿估算扰动、遏制建图累积误差的技术效果。
1.一种点云数据的过滤方法,其特征在于,所述方法包括:
2.如权利要求1所述的一种点云数据的过滤方法,其特征在于,所述语义分割处理采用基于点云的深度神经网络模型,所述深度神经网络模型包括pointnet++、rangenet++或sparse convolution network,网络输出每个点的语义类别标签。
3.如权利要求1所述的一种点云数据的过滤方法,其特征在于,构建时间滑动窗口,统计每个空间位置随时间出现的点云连续性和位置变化幅度,得到每个空间位置的时间稳定性指标,包括:
4.如权利要求1所述的一种点云数据的过滤方法,其特征在于,将当前帧点云数据与历史关键帧点云数据进行点云配准,计算每个点的几何一致性指标,包括:
5.如权利要求1所述的一种点云数据的过滤方法,其特征在于,根据每个点的所述语义类别标签、所述时间稳定性指标和所述几何一致性指标,计算每个点的综合可靠性评分,包括:
6.如权利要求1所述的一种点云数据的过滤方法,其特征在于,根据所述综合可靠性评分对当前帧点云数据中的点进行分类过滤,利用过滤后的点云数据进行位姿估计优化,得到当前位姿估计结果,包括:
7.一种点云数据的过滤系统,其特征在于,所述系统用于实施权利要求1-6任一项所述的一种点云数据的过滤方法,所述系统包括:
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的一种点云数据的过滤方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com