巡检无人车的定位系统和方法、语义分割模型的训练方法、通信装置、存储介质和计算机程序产品与流程

本发明涉及航空智能领域，尤其涉及一种用于巡检无人车的定位系统和定位方法、语义分割模型的训练方法、通信装置、计算机可读存储介质和计算机程序产品。

背景技术：

1、随着机场安全监管与智能化水平的提升，无人车在机场地面巡检任务中的应用愈发广泛。然而，实际机场场景复杂多变，飞机机体、牵引车、廊桥、地勤设备等物体会造成严重遮挡，使激光雷达采集到的飞机点云常出现稀疏、缺失、交叠及误分类等问题，从而降低点云配准的可靠性。

2、因此，需要提供一种用于巡检无人车的定位系统和定位方法、语义分割模型的训练方法、通信装置、计算机可读存储介质和计算机程序产品，以至少部分地解决上述问题。

技术实现思路

1、根据本发明的第一方面，提供了一种用于巡检无人车的定位系统，包括：

2、语义分割模块，所述语义分割模块被配置为能够将输入的所述巡检无人车所采集的激光雷达点云进行多类别语义分割，以获取有关待巡检设备的目标点云的点级语义类别信息；

3、实例提取模块，所述实例提取模块被配置为能够基于由所述语义分割模块提供的所述点级语义类别信息，采用密度聚类（dbscan）算法提取有关待巡检设备的目标点云实例并剔除噪点；

4、粗略配准模块，所述粗略配准模块被配置为能够采用k4pcs(基于关键点的4点相似集)方法通过几何约束一致性筛选来建立初始点云对应关系，计算所述实例提取模块提取的所述目标点云实例与预存的标准点云模型之间的初始变换矩阵；以及

5、精确配准模块，所述精确配准模块被配置为能够采用icp（iterative closestpoint）方法在所述粗略配准模块获得的初始变换矩阵的基础上进行最近邻查找、误差最小化求解与迭代优化，以获得有关待巡检设备的所述目标点云实例的最终位姿变换矩阵。

6、优选地，所述语义分割模块包括：

7、全局注意力增强模块，所述全局注意力增强模块被配置为能够对所述激光雷达点云构建长程依赖关系，通过全局上下文建模增强对遮挡区域、结构边界及几何形态的区分能力并输出增强后的点云特征；以及

8、多层特征提取模块，所述多层特征提取模块被配置为能够接收所述增强后的点云特征并从不同尺度的编码特征中提取有关待巡检设备的空间结构信息，生成多层语义特征。

9、优选地，所述语义分割模块还包括：

10、解码还原模块，所述解码还原模块被配置为能够对所述多层语义特征进行上采样以逐层提高所述多层语义特征的空间分辨率，并输出高维语义特征；以及

11、输出预测模块，所述输出预测模块被配置为能够将所述高维语义特征映射为所述点级语义类别信息。

12、优选地，所述全局注意力增强模块包括：

13、特征编码单元，所述特征编码单元被配置为能够对所述激光雷达点云的特征进行线性映射，从而形成供注意力网络处理的特征表示；

14、特征拼接与差分计算单元，所述特征拼接与差分计算单元被配置为能够依据由所述特征编码单元形成的所述特征表示对所述激光雷达点云的各点特征进行组合，并计算局部与全局的特征差值，以增强对遮挡区域的敏感性；

15、自注意力机制单元，自注意力机制单元被配置为能够采用transformer的query-key-value结构，通过计算点云特征之间的相似度得到注意力权重，从而进行全局上下文信息建模，以生成注意力加权特征；以及

16、特征增强输出单元，所述特征增强输出单元被配置为能够对注意力加权后的特征进行融合、规范化与自适应调整，并输出所述增强后的点云特征。

17、优选地，所述多层特征提取模块包括：

18、多层编码器单元，所述多层编码器单元被配置为能够从浅层到深层提取所述点云特征的局部几何特征与整体结构信息；

19、跨层特征融合单元，所述跨层特征融合单元被配置为能够将经所述多层编码器单元提取的不同层级的特征进行拼接与增强，并利用全局注意力权重进行差异对齐；

20、注意力优化单元，所述注意力优化单元被配置为能够对经所述跨层特征融合单元融合处理后的特征进行注意力滤波；以及

21、输出单元，所述输出单元被配置为能够将经所述注意力优化单元滤波后的语义特征输出至所述解码还原模块。

22、优选地，所述实例提取模块包括：

23、未访问点选择模块，所述未访问点选择模块被配置为能够从有关待巡检设备的所述目标点云中选取未访问点作为候选点并生成邻域点集；

24、核心点判定模块，所述核心点判定模块与所述未访问点选择模块通信连接，所述核心点判定模块被配置为能够判断所述候选点的邻域点集是否满足核心点条件，并将不满足核心点条件的候选点标记为噪点；

25、簇扩展模块，所述簇扩展模块与所述核心点判定模块通信连接，所述簇扩展模块被配置为能够在所述候选点被判定为核心点时，将所述候选点加入簇集，并依次对所述邻域点集内的未分类点进行扩展，所述扩展包括通过邻域搜索模块获取当前扩展点的邻域点集，并通过所述核心点判定模块判断所述候选点的邻域点集是否满足核心点条件，并将满足所述核心点条件的扩展点并入当前簇集；

26、簇终止控制模块，所述簇终止控制模块配置为能够控制迭代过程，直至有关待巡检设备的所述目标点云中的所有点均被访问并输出最终的聚类结果，以实现对所述目标点云的密度聚类从而提取出所述目标点云实例。

27、优选地，所述粗略配准模块包括：

28、四点采样模块，所述四点采样模块被配置为能够从所述目标点云实例和所述标准点云模型中随机采样四点对以生成候选集合；

29、几何约束检测模块，所述几何约束检测模块与所述四点采样模块通信连接，所述几何约束检测模块被配置为能够判断采样的四点对是否满足几何一致性约束；

30、初始变换求解模块，所述初始变换求解模块与所述几何约束检测模块通信连接，所述初始变换求解模块被配置为能够在所述四点对满足几何一致性约束时，计算并输出从所述目标点云实例到所述标准点云模型的初步变换矩阵；

31、变换应用与内点统计模块，所述变换应用与内点统计模块与所述初始变换求解模块通信连接，所述变换应用与内点统计模块被配置为能够将所述初步变换矩阵应用于所述目标点云实例，并统计变换后点云与所述标准点云模型之间距离小于预设阈值的点对数量作为内点数量；

32、配准判断与输出模块，所述配准判断与输出模块与所述变换应用与内点统计模块通信连接，所述配准判断与输出模块被配置为能够判断所述内点数量是否达到设定阈值，若所述内点数量达到设定阈值，则输出所述初步变换矩阵为初始配准结果；若所述内点数量未达到设定阈值，则触发所述四点采样模块重新采样。

33、优选地，所述精确配准模块包括：

34、特征匹配初始化模块，特征匹配初始化模块被配置为能够接收所述初始配准结果并初始化所述目标点云实例与所述标准点云模型之间的待匹配点对；

35、最近点搜索模块，所述最近点搜索模块与所述特征匹配初始化模块通信连接，所述最近点搜索模块被配置为能够在每次迭代中为所述目标点云实例中的每个点在所述标准点云模型中寻找最近邻点，以形成点对集合；

36、坐标变换计算模块，所述坐标变换计算模块与所述最近点搜索模块通信连接，所述坐标变换计算模块被配置为能够基于所述点对集合计算本次迭代的最优旋转矩阵与平移向量，并更新所述目标点云实例的位置；

37、误差评估模块，所述误差评估模块与所述坐标变换计算模块通信连接，所述误差评估模块被配置为能够计算当前迭代的配准误差；以及

38、迭代终止控制模块，所述迭代终止控制模块与所述误差评估模块和所述最近点搜索模块通信连接，所述迭代终止控制模块被配置为能够判断所述配准误差是否收敛或迭代次数是否达到上限，若所述配准误差收敛或迭代次数达到上限，则输出最终位姿变换矩阵，若所述配准误差没有收敛或迭代次数未达到上限，则触发下一次迭代过程。

39、根据本发明的第二方面，提供了一种用于巡检无人车的定位方法，包括：

40、s1、通过语义分割模块将所述巡检无人车采集的激光雷达点云进行多类别语义分割，以获取有关待巡检设备的目标点云的点级语义类别信息；

41、s2、通过实例提取模块采用密度聚类算法从根据所述点级语义类别信息筛选的目标点云中提取有关待巡检设备的目标点云实例并剔除噪点；

42、s3、通过粗略配准模块，采用k4pcs方法并通过几何约束一致性筛选来建立初始点云对应关系，计算所述目标点云实例与预存的标准点云模型之间的初始变换矩阵；以及

43、s4、通过精确配准模块并采用icp方法在所述粗略配准模块获得的初始变换矩阵中进行最近邻查找、误差最小化求解与迭代优化，以获得所述目标点云实例的最终位姿变换矩阵。

44、优选地，步骤s1中的语义分割步骤包括：对所述激光雷达点云进行点级特征提取、邻域构建和语义分类预测，以获得所述激光雷达点云中的每个点所属的语义类别信息。

45、优选地，步骤s2进一步包括：

46、从有关待巡检设备的所述目标点云中选取任一未访问点作为候选点并生成邻域点集；

47、判断所述候选点的邻域点集是否满足核心点条件，并将不满足核心点条件的候选点标记为噪点；

48、将满足核心点条件的所述候选点加入簇集，并依次对所述邻域点集内的未分类点进行扩展，所述扩展包括通过邻域搜索模块获取当前扩展点的邻域点集，并通过所述核心点判定模块判断所述候选点的邻域点集是否满足核心点条件，并将满足所述核心点条件的扩展点并入当前簇集；

49、重复上述步骤直至有关待巡检设备的所述目标点云中的所有点均被访问，并输出最终的聚类结果。

50、优选地，步骤s3进一步包括粗略配准步骤，所述粗略配准步骤包括：

51、从目标点云实例与标准点云模型中随机采样四点对以生成候选集合；

52、判断所述四点对是否满足几何一致性约束；

53、在所述四点对满足几何一致性约束时，计算并输出从目标点云实例到标准点云模型的初步变换矩阵；

54、将所述初步变换矩阵应用于目标点云实例，并统计变换后点云与标准点云模型之间距离小于预设阈值的点对数量作为内点数量；

55、若内点数量达到设定阈值，则输出所述初步变换矩阵作为初始配准结果，若所述内点数量未达到设定阈值，则触发重新采样。

56、优选地，步骤s4进一步包括精确配准步骤，所述精确配准步骤包括：

57、接收所述初始配准结果，初始化目标点云实例与标准点云模型之间的待匹配点对；

58、在每次迭代中为目标点云实例中的每个点在标准点云模型中寻找最近邻点，形成点对集合；

59、基于所述点对集合计算本次迭代的最优旋转矩阵与平移向量，并更新目标点云实例的位置；

60、计算当前迭代的配准误差；

61、判断所述配准误差是否收敛或迭代次数是否达到上限，若所述配准误差收敛或迭代次数达到上限，则输出最终位姿变换矩阵，若所述配准误差没有收敛或迭代次数未达到上限，则触发下一次迭代过程。

62、根据本发明的第三方面，提供了一种用于对上述定位系统中的语义分割模型进行训练的方法，包括：

63、s51、对点云样本数据进行预处理，获取处理数据；

64、s52、将所述处理数据输入编码器结构，获取特征信息；

65、s53、将所述特征信息输入解码器结构，获取语义预测分数；以及

66、s54、基于特征图与所述语义预测分数构建损失函数，以基于所述损失函数训练得到语义分割模型。

67、优选地，所述预处理包括以下数据增强操作中的一种或多种：点云去噪、坐标归一化、点强度归一化、随机旋转、随机缩放和随机采样。

68、优选地，所述编码器结构被配置为能够对所述点云构建局部与全局几何特征，以提取语义表示。

69、优选地，所述编码器结构包括：多层mlp、卷积结构、注意力结构或局部图聚合结构。

70、优选地，所述解码器结构被配置为能够对来自所述编码器结构的特征进行上采样和融合操作，以输出每个点的语义分类概率。

71、优选地，所述损失函数包括交叉熵损失、dice损失、focal loss中的一种或多种。

72、根据本发明的第四方面，提供了一种通信装置，包括处理器，其中所述处理器通过逻辑电路执行计算机程序或指令，以实现如上文所述的方法。

73、根据本发明的第五方面，提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序或指令，当所述计算机程序或指令被通信装置执行时，实现如上文所述的方法。

74、根据本发明的第六方面，提供了一种计算机程序产品，所述计算机程序产品存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被计算机执行时，使所述计算机执行如上文所述的方法。

75、本技术的上述方案具有以下技术效果：

76、（1）通过语义分割、实例提取与点云配准三级串联架构，能够有效提高稀疏、遮挡、噪声条件下的点云匹配稳定性，显著提升巡检无人车在复杂机场环境中对目标的定位精度。

77、（2）点云语义分割模块结合全局注意力增强模块与多层特征提取模块，能够有效建模远程依赖关系，并提升遮挡区域与复杂边界的语义识别能力，从而为后续配准提供可靠的语义基础。

78、（3）采用“k4pcs粗略配准+icp精确配准”的双阶段点云配准机制，在稀疏点云、缺损点云及强遮挡场景下仍能保持鲁棒初始对齐，并在局部迭代优化中获得高精度配准结果，显著提高巡检无人车在复杂机场环境中的定位精度与稳定性。