一种多线激光雷达约束的单线激光点云精度优化方法与流程

1.本发明涉及自动驾驶高精度地图制作技术领域，更具体地，涉及一种多线激光雷达约束的单线激光点云精度优化方法、系统、电子设备及存储介质。


背景技术：

2.自动驾驶高精度地图作为自动驾驶车辆不可或缺的重要组成部分，为车辆定位、路径规划、车辆节能等提供有利支撑。为保证高精地图的新鲜度，在满足精度要求的情况下，如何做到低成本、高效率的进行地图制作及更新，成为保证地图的有效性并具有竞争力的关键。自动驾驶高精度地图更新具有以下特点：1)自动驾驶高精度地图不同于传统导航地图，其包含三维信息，而且精度要求更高；2)高精度地图是车道级地图；3)地图信息更丰富、更新难度更高。
3.综上所述，自动驾驶高精度地图的制作及更新过程需要保证高精度、高效率。在提升效率方面，可以从减少人为干预的角度出发，借助深度学习提高效率。深度学习在图像处理方面的技术较为成熟，但图像只能表达二维信息，故对点云数据进行降维，处理成灰度图进行模型推理，然后将结果反算到三维空间，达到优势互补的效果。但在进行点云数据降维处理前，容易出现数据跳变问题，导致出现点云数据扭曲变形的情况。有鉴于此，需设计一种能对点云数据质量进行优化的方案。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种多线激光雷达约束的单线激光点云精度优化方法、系统、电子设备及存储介质，利用多线激光雷达的较高质量的相对精度优化单线激光雷达单帧点云数据跳变问题，保证数据质量满足要求，有助于提高基于点云数据高精地图要素自动化提取结果的质量。
5.根据本发明的第一方面，提供了一种多线激光雷达约束的单线激光点云精度优化方法，包括以下步骤：
6.s1，将单线点云数据和多线点云数据转换到wgs84坐标系下，将单线点云数据分隔成等距的点云块，将所述点云块与多线点云数据融合；
7.s2，将融合后的点云数据输入训练好的语义分割模型，提取路面信息和标识牌信息；
8.s3，以点云块为单位，通过多线点云数据中的路面信息对单线点云数据进行竖直校正；通过多线点云数据中的标识牌信息对单线点云数据进行水平校正；遍历所有点云块。
9.在上述技术方案的基础上，本发明还可以作出如下改进。
10.可选的，步骤s1，包括：
11.s101，采集原始数据，所述原始数据包括单线点云数据与多线点云数据，将每帧原始数据中的所有点换算到以采集点为原点的相对坐标系下；
12.s102，为相对坐标系下每一帧数据中的所有点加上gps坐标参数，将其换算到
wgs84坐标系下；
13.s103，预设长度阈值s，将wgs84坐标系下的单线点云数据按照长度阈值s进行等间距切割，生成若干个点云块，将每个点云块与多线点云数据融合。
14.可选的，步骤s102中，还包括：
15.对于gps信号失锁的路段，利用imu惯导数据和路段两端稳定的gps轨迹数据对该路段的gps轨迹进行插值，以得到完整的基于gps坐标系的点云数据。
16.可选的，所述利用imu惯导数据和路段两端稳定的gps轨迹数据对该路段的gps轨迹进行插值，包括：
17.从gps信号失锁的起始端开始，根据imu惯导数据中相邻帧的加速度和角速度获取车辆移动的距离，再根据imu惯导数据中的朝向确定车辆实时移动的方向，从而得到该路段车辆的行驶轨迹估计值；
18.通过gps信号失锁的路段两端的gps位置信息对该路段的行驶轨迹估计值采用曲线拟合插值的方式进行优化。
19.可选的，步骤s103中，所述将每个点云块与多线点云数据融合，包括：
20.以点云块的中间帧为中心，在多线点云数据中选取相对与所述中心的距离最近帧，将点云块的中间帧与多线点云数据中的距离最近帧相匹配；遍历所有点云块，直到实现单线点云数据的所有点云块和多线点云数据的融合。
21.可选的，步骤s103中，设置长度阈值s的依据是多线激光雷达设备的扫描距离参数和单帧点密度分布情况。
22.可选的，步骤s3，包括：
23.s301，从单个点云块中提取的路面信息中找到路面部分，计算单线点云数据中路面部分的长度l，计算单线点云数据中路面部分对应的所有点的平均高程h；
24.计算单线点云数据中前后帧分别与当前帧之间的距离l1和l2，以l1 l2为宽、以l为长构成矩形框r，获取所述矩形框r对应的多线点云数据内所有点的平均高程h1，通过以下公式计算得到高程差值|h
1-h|，将其与高程差的经验值e进行比较，其中，e为非零常数，e的值跟采样点云数据的激光雷达的性能有关；当满足|h
1-h|》e，且e》0时，对当前帧的单线点云数据的每一点的高程根据高程差值进行竖直方向的校正；
25.s302，若步骤s2从当前点云块中提取到标志牌信息，则多线点云数据中对应所述标识牌信息包括标志牌的左右边线，单线点云数据中对应所述标识牌信息包括标识牌部分形成的线段；依据多线点云数据中标识牌的左右边线对单线点云数据中相应帧的标识牌部分形成的线段进行左右对齐，计算所述线段对齐前后的水平位移差值w,将其与水平位移差值的经验值e1进行比较，其中，e1为非零常数，e1的值与采样点云数据的激光雷达的性能有关；当满足w》e1，且e1》0时，根据w的值对此标识牌所在的若干帧单线点云数据的每一点进行水平方向的校正；
26.s303，遍历所有点云块，直到对所有点云块对应的单线点云数据完成校正。
27.根据本发明的第二方面，提供一种多线激光雷达约束的单线激光点云精度优化系统，包括：
28.数据融合模块，用于将单线点云数据和多线点云数据转换到wgs84坐标系下，将单线点云数据分隔成等距的点云块，将所述点云块与多线点云数据融合；
29.信息提取模块，用于将融合后的点云数据输入训练好的语义分割模型，提取路面信息和标识牌信息；
30.数据校正模块，用于以点云块为单位，通过多线点云数据中的路面信息对单线点云数据进行竖直校正；通过多线点云数据中的标识牌信息对单线点云数据进行水平校正；遍历所有点云块。
31.根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如上述的一种多线激光雷达约束的单线激光点云精度优化方法的步骤。
32.根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如上述的一种多线激光雷达约束的单线激光点云精度优化方法的步骤。
33.本发明提供的一种多线激光雷达约束的单线激光点云精度优化方法、系统、电子设备及存储介质，借助多线激光雷达点云较高的相对精度约束/校正单线激光雷达局部相邻帧点云数据的质量，优化单线激光雷达单帧点云数据跳变问题，从而达到提高单线激光雷达点云数据质量的目的。本发明提高了单线激光雷达点云数据质量，以改善基于点云数据的交通要素自动化提取的输入数据质量、点云地图的构建。
附图说明
34.图1为本发明提供的一种多线激光雷达约束的单线激光点云精度优化方法的原理框图流程图；
35.图2为本发明提供的一种多线激光雷达约束的单线激光点云精度优化方法的流程图；
36.图3为本发明步骤s1的流程图；
37.图4为本发明步骤s3的流程图；
38.图5为本发明融合后的部分点云数据仿真图；
39.图6为图5中的局部放大原理示意图；
40.图7为本发明提供的一种多线激光雷达约束的单线激光点云精度优化系统的组成结构图；
41.图8为本发明提供的一种可能的电子设备的硬件结构示意图；
42.图9为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
43.下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
44.图1和图2分别为本发明提供的一种多线激光雷达约束的单线激光点云精度优化方法原理图以及流程图，如图1和图2所示，方法包括：
45.s1，将单线点云数据和多线点云数据转换到wgs84坐标系下，将单线点云数据分隔成等距的点云块，将所述点云块与多线点云数据融合；
46.s2，将融合后的点云数据输入训练好的语义分割模型，提取路面信息和标识牌信
息；
47.s3，以点云块为单位，通过多线点云数据中的路面信息对单线点云数据进行竖直校正；通过多线点云数据中的标识牌信息对单线点云数据进行水平校正；遍历所有点云块。
48.可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种多线激光雷达约束的单线激光点云精度优化方法。该方法借助多线激光雷达点云较高的相对精度约束/校正单线激光雷达局部相邻帧点云数据的质量，优化单线激光雷达单帧点云数据跳变问题，从而达到提高单线激光雷达点云数据质量的目的。本发明提高了单线激光雷达点云数据质量，以改善基于点云数据的交通要素自动化提取的输入数据质量、点云地图的构建。
49.在一种可能的实施例方式中，如图3所示，步骤s1，包括：
50.s101，采集原始数据，所述原始数据至少包括单线点云数据与多线点云数据，将每帧原始数据中的所有点换算到以采集点为原点的相对坐标系下；
51.s102，为相对坐标系下每一帧数据中的所有点加上gps坐标参数，将其换算到wgs84坐标系下；
52.s103，预设长度阈值s，将wgs84坐标系下的单线点云数据按照长度阈值s进行等间距切割，生成若干个点云块，将每个点云块与多线点云数据融合。
53.可以理解的是，本实施例中，对多线点云数据和单线点云数据分别进行解算，通过数据解算将多线点云数据和单线点云数据分别转换到wgs84坐标系下并进行数据融合。本实施例中还将单线激光点云数据切割成若干个点云块，点云块作为后续的道路信息/标识牌信息提取以及数据校正的基本处理单元。
54.在一种可能的实施例方式中，步骤s102中，还包括：
55.对于gps信号失锁的路段，利用imu惯导数据和路段两端稳定的gps轨迹数据对该路段的gps轨迹进行插值，以得到完整的基于gps坐标系的点云数据。
56.可以理解的是，采集的原始数据至少还包括imu惯导数据以及gps轨迹数据，通过插值法完善gps信号失锁路段的gps坐标系下的数据，以以车辆行驶平滑轨迹。
57.在一种可能的实施例方式中，所述利用imu惯导数据和路段两端稳定的gps轨迹数据对该路段的gps轨迹进行插值，包括：
58.从gps信号失锁的起始端开始，根据imu惯导数据中相邻帧的加速度和角速度获取车辆移动的距离，再根据imu惯导数据中的朝向确定车辆实时移动的方向，从而得到该路段车辆的行驶轨迹估计值；
59.通过gps信号失锁的路段两端的gps位置信息对该路段的行驶轨迹估计值采用曲线拟合插值的方式进行优化。
60.可以理解的是，通过imu惯导系统采集imu惯导数据，imu惯导系统至少包含加速度计(估计车辆行驶加速度)、陀螺仪(估计x、y、z三轴的角速度)、磁力计(估计车头朝向)，在车辆行驶过程中，会按照一定的采样频率采集相应的数据。从gps信号失锁的起始端开始根据加速度和角速度获取imu惯导数据相邻帧车辆移动的距离，再根据车头朝向确定车辆实时移动的方向，从而估计出该路段车辆的行驶轨迹。但是估计值存在误差，在gps信号失锁路段的末端，根据imu惯导数据估计的车辆位置跟车辆实际的位置会有偏差，所以需要用两端的gps位置信息对该路段的轨迹估计值用曲线拟合插值的方式进行优化。
61.在一种可能的实施例方式中，步骤s103中，所述将每个点云块与多线点云数据融
合，包括：
62.以点云块的中间帧为中心，在多线点云数据中选取相对与所述中心的距离最近帧，将点云块的中间帧与多线点云数据中的距离最近帧相匹配；遍历所有点云块，直到实现单线点云数据的所有点云块和多线点云数据的融合。
63.可以理解的是，实现数据融合是为后续利用多线点云数据对单线点云数据进行校正做准备。
64.在一种可能的实施例方式中，步骤s103中，设置长度阈值s的依据是多线激光雷达设备的扫描距离参数和单帧点密度分布情况。
65.可以理解的是，根据点云数据采集设备的实际情况设置合适的长度阈值s对单线点云数据进行切割，能保障后续数据校正步骤的效率。
66.在一种可能的实施例方式中，如图4所示，步骤s3，包括以下步骤：
67.s301，从单个点云块中提取的路面信息中找到路面部分，计算单线点云数据中路面部分的长度l，计算单线点云数据中路面部分对应的所有点的平均高程h。
68.如图5所示为融合后的部分点云数据仿真图，图5中实线矩形框所示为路面部分，标记为1、2、3的虚线部分为任意三条单线点云数据。如图5所示，路面宽度即作为本实施例中的长度l，每条单线点云数据均有若干个点组成，每个点具有各自的高程信息，本实施例中的平均高程h即对应例如1、2、3中的任意一条单线点云数据中所有点的平均高程。
69.图6为对图5简化后的局部示意图，计算单线点云数据中前后帧分别与当前帧之间的距离l1和l2，假设图6中标记为2的单线点云数据为当前帧，标记为1的单线点云数据为前帧，标记为3的单线点云数据为后帧，则l1即为标记为1的单线点云数据与标记为2的单线点云数据之间的距离，同理的，l2为标记为3的单线点云数据与标记为2的单线点云数据之间的距离。以l1 l2为宽、以l为长构成矩形框r，矩形框r如图6的虚线框所示。然后获取所述矩形框r对应的多线点云数据内所有点的平均高程h1，通过以下公式计算得到高程差值h
1-h，将其与高程差的经验值e进行比较，其中，e为非零常数，e的值跟采样点云数据的激光雷达的性能有关；当满足h
1-h|》e，且e》0时，对当前帧的单线点云数据的每一点的高程根据高程差值进行竖直方向的校正；
70.s302，若步骤s2从当前点云块中提取到标志牌信息，则多线点云数据中对应所述标识牌信息包括标志牌的左右边线，单线点云数据中对应所述标识牌信息包括标识牌部分形成的线段；依据多线点云数据中标识牌的左右边线对单线点云数据中相应帧的标识牌部分形成的线段进行左右对齐，计算所述线段对齐前后的水平位移差值w,将其与水平位移差值的经验值e1进行比较，其中，e1为非零常数，e1的值与采样点云数据的激光雷达的性能有关；当满足w》e1，且e1》0时，根据w的值对此标识牌所在的若干帧单线点云数据的每一点进行水平方向的校正；
71.s303，遍历所有点云块，直到对所有点云块对应的单线点云数据完成校正。
72.可以理解的是，在步骤s3中，基于步骤s2提取得到的路面信息和标识牌信息，采用多线点云数据对单线点云数据进行竖直方向的校正以及水平方向的校正，以提高单线点云数据的精度。步骤s3以单个点云块为处理单位，当处理完一个点云块后继续进行下一个点云块的处理，直到遍历所有的点云块。对于只识别到路面信息未识别到标志牌信息的点云块，只需进行高程校正，即竖直方向的校正；对于既有路面信息又有标识牌信息的点云块，
先进行竖直方向的校正，再进行水平方向的校正。
73.图7为本发明实施例提供的一种多线激光雷达约束的单线激光点云精度优化系统结构图，如图7所示，一种多线激光雷达约束的单线激光点云精度优化系统，包括数据融合模块101、信息提取模块102和数据校正模块103，其中：
74.数据融合模块101，用于将单线点云数据和多线点云数据转换到wgs84坐标系下，将单线点云数据分隔成等距的点云块，将所述点云块与多线点云数据融合；
75.信息提取模块102，用于将融合后的点云数据输入训练好的语义分割模型，提取路面信息和标识牌信息；
76.数据校正模块103，用于以点云块为单位，通过多线点云数据中的路面信息对单线点云数据进行竖直校正；通过多线点云数据中的标识牌信息对单线点云数据进行水平校正；遍历所有点云块。
77.可以理解的是，本发明提供的一种多线激光雷达约束的单线激光点云精度优化系统与前述各实施例提供的多线激光雷达约束的单线激光点云精度优化方法相对应，多线激光雷达约束的单线激光点云精度优化系统的相关技术特征可参考多线激光雷达约束的单线激光点云精度优化方法的相关技术特征，在此不再赘述。
78.请参阅图8，图8为本发明实施例提供的电子设备的实施例示意图。如图8所示，本发明实施例提了一种电子设备800，包括存储器810、处理器820及存储在存储器810上并可在处理器820上运行的计算机程序811，处理器820执行计算机程序811时实现以下步骤：
79.将单线点云数据和多线点云数据转换到wgs84坐标系下，将单线点云数据分隔成等距的点云块，将所述点云块与多线点云数据融合；
80.将融合后的点云数据输入训练好的语义分割模型，提取路面信息和标识牌信息；
81.以点云块为单位，通过多线点云数据中的路面信息对单线点云数据进行竖直校正；通过多线点云数据中的标识牌信息对单线点云数据进行水平校正；遍历所有点云块。
82.请参阅图9，图9为本发明提供的一种计算机可读存储介质的实施例示意图。如图9所示，本实施例提供了一种计算机可读存储介质900，其上存储有计算机程序911，该计算机程序911被处理器执行时实现如下步骤：
83.将单线点云数据和多线点云数据转换到wgs84坐标系下，将单线点云数据分隔成等距的点云块，将所述点云块与多线点云数据融合；
84.将融合后的点云数据输入训练好的语义分割模型，提取路面信息和标识牌信息；
85.以点云块为单位，通过多线点云数据中的路面信息对单线点云数据进行竖直校正；通过多线点云数据中的标识牌信息对单线点云数据进行水平校正；遍历所有点云块。
86.本发明实施例提供的一种多线激光雷达约束的单线激光点云精度优化方法、系统及存储介质，借助多线激光雷达点云较高的相对精度约束/校正单线激光雷达局部相邻帧点云数据的质量，优化单线激光雷达单帧点云数据跳变问题，从而达到提高单线激光雷达点云数据质量的目的。本发明提高了单线激光雷达点云数据质量，以改善基于点云数据的交通要素自动化提取的输入数据质量、点云地图的构建。
87.需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
88.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序
产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
89.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
90.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
91.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
92.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
93.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。