一种基于点云空间分布映射的激光雷达数据的学习方法

技术特征：
1.一种基于点云空间分布映射的激光雷达数据的学习方法，其特征在于：包括如下步骤：步骤s1、选定或采集任意带标注激光雷达点云数据集；搭建采集设备，使用采集设备采集数据，并利用采集的数据构建目标激光雷达点云数据集；对任意带标注激光雷达点云数据集和目标激光雷达点云数据集进行空间共性分析；步骤s2、将任意带标注激光雷达点云数据集所在空间坐标系变换至目标激光雷达点云数据集所在空间坐标系，得到坐标系变换后的任意带标注激光雷达点云数据集；步骤s3、对坐标系变换后的任意带标注激光雷达点云数据集进行序列化处理；步骤s4、对序列化处理后的任意带标注激光雷达点云数据集中三维空间的非共线三点计算近似的空间平面，并计算与目标激光雷达线束的交点，生成带标注的映射数据集；步骤s5、利用带标注的映射数据集训练任意深度学习模型，并对目标激光雷达点云数据集生成目标激光雷达点云数据集的目标检测结果；步骤s6、将目标激光雷达点云数据集的目标检测结果传输到训练后的任意深度学习模型内，设计多目标跟踪器并构建专家系统，利用专家系统对多目标跟踪器进行筛选，通过卡尔曼滤波器对多目标跟踪器的序列信息进行更新实现结果的优化，完成不同采集方式的多类型非统一的数据集在同一深度学习框架中的统一化使用。2.根据权利要求1所述的学习方法，其特征在于，所述采集设备包括移动车、数据采集传感器模块、工控机与数据传输模块；所述移动车作为数据采集的承载平台；所述移动车的底部设置有底盘；所述数据采集传感器模块包括一个激光雷达传感器和一个惯性测量单元，所述激光雷达传感器安装于所述移动车上部且四周无遮挡，所述惯性测量单元安装于所述激光雷达传感器旁；所述工控机与所述数据传输模块安装在所述底盘的上方，所述工控机与所述数据传输模块通过网线连接。3.根据权利要求2所述的学习方法，其特征在于，所述步骤s1具体包含如下步骤：步骤s11、选定或采集任意带标注激光雷达点云数据集；步骤s12、搭建采集设备，使用采集设备采集数据，并利用采集的数据构建目标激光雷达点云数据集；目标激光雷达点云数据集未进行信息标注；步骤s13、观察并分析目标激光雷达点云数据集与任意带标注激光雷达点云数据集在同一公共空间的部分，得到目标激光雷达点云数据集与任意带标注激光雷达点云数据集的空间共性。4.根据权利要求3所述的学习方法，其特征在于，所述步骤s2具体包含如下步骤：步骤s21、激光雷达通过激光线束对三维环境进行扫描，扫描的范围构成线束空间，根据任意带标注激光雷达点云数据集中激光雷达的安装方式、激光雷达传感器的安装参数，对线束空间进行分析，并标定目标激光雷达点云数据集到任意带标注激光雷达点云数据集的坐标变换；步骤s22、根据坐标变换，在同一公共空间中对目标激光雷达点云数据集的采集方式与任意带标注激光雷达点云数据集的采集方式进行仿真。5.根据权利要求1至4任一项所述的学习方法，其特征在于，所述空间共性即以三维仿
真的形式在同一个三维空间中分别计算并获取任意带标注激光雷达点云数据集采集设备和目标激光雷达点云数据集采集设备的感知半径、垂直视场角、有效感知激光束与公共感知区域，通过设置三维空间中有效感知范围的三个维度阈值，移除无效感知区域的稀疏点云数据。6.根据权利要求5所述的学习方法，其特征在于，所述步骤s3具体包含如下步骤：步骤s31、在时间序列上对目标激光雷达点云数据集构建匀速运动模型，利用匀速运动模型补偿点云数据的漂移，该漂移来源于激光雷达点云机械旋转与匀速运动相互作用；步骤s32、利用分段欧式聚类算法和体素化实现目标激光雷达点云的聚类与融合，对线束与水平方向角度进行编号，将目标激光雷达点云数据集中各个雷达点以二维访问的形式有序化保存，即对于每一个点均可通过如点数对(m, n)的形式访问，其中m表示垂直序列号，由垂直分辨率计算得出，n表示水平序列号，由水平分辨率计算得出。7.根据权利要求6所述的学习方法，其特征在于，所述步骤s4中的对任意带标注激光雷达点云数据集中三维空间的非共线三点计算近似的空间平面，并计算与目标激光雷达线束的交点，具体包含如下步骤：步骤s41、根据空间共性分析得到的参数，计算包括任意带标注激光雷达点云数据集采集方式到目标激光雷达点云数据集采集方式的坐标变换、垂直俯仰角和有效感知范围，确定目标激光雷达点云数据集的映射空间范围和目标激光雷达点云数据集的阈值；步骤s42、对于任意带标注激光雷达点云数据集中三维空间的一个点p，根据目标激光雷达点云数据集的映射空间范围和目标激光雷达点云数据集的阈值，从同一线束选取一个邻近点，并再从非同一线束选取一个邻近点，以确保该三点非共线；步骤s43、根据步骤s41中的坐标变换，将步骤s42中的点p通过坐标变换至目标激光雷达点云数据集的坐标系，根据步骤s32中的有序化计算其垂直序列号与水平序列号，通过四舍五入取整，此时由垂直序列号与水平序列号将唯一确定一条线束，但此时空间深度未知；步骤s44、根据s42中选取的非共线三点，首先将该非共线三点通过s41中的坐标变换至目标激光雷达点云数据集坐标系，再通过线性方程计算三点所在平面；步骤s45、根据步骤s43所确定的唯一线束和步骤s44所确定的唯一平面，计算线束与平面的交点，其交点即为任意带标注激光雷达点云数据集中三维空间的一个点p至目标激光雷达点云数据集三维空间的映射点；步骤s46、对任意带标注激光雷达点云数据集所有点进行上述映射，将映射后的数据集称为映射数据集，并作为深度学习中的训练数据集。8.根据权利要求7所述的学习方法，其特征在于，所述步骤s5中的设计多目标跟踪器具体为多目标数据，其建立过程具体如下：构建多目标跟踪器的类，以设计的数据结构记录以信息序列号、时间戳、跟踪标志、速度、位姿和位置信息为主的多目标数据。9.根据权利要求8所述的学习方法，其特征在于，所述步骤s5具体包含如下步骤：步骤s51、利用带标注的映射数据集训练任意深度学习模型；步骤s52、在三维空间中对带标注的映射数据集进行多个尺度的放缩，在每个尺度中构建八叉树用以邻域的访问；步骤s53、利用邻域内点坐标信息计算多尺度邻域的几何特征向量，根据几何特征向量
在带标注的映射数据集三维空间中均匀划分的子空间实现关键点采样；实现均匀的关键点采样，在保留充足信息的情况下减少神经网络的计算量，并减少映射过程带来的噪声和离群点的影响；步骤s54、通过带标注的映射数据集训练任意深度学习模型，利用该模型对目标激光雷达点云数据集进行目标检测，生成目标激光雷达点云数据集的目标检测结果。10.根据权利要求9所述的学习方法，其特征在于，所述步骤s6中的专家系统的建立过程具体包含如下步骤：步骤s61、对目标激光雷达点云数据集的目标检测结果进行统计学分析；步骤s62、将每一条轨迹中每一子段内的数据信息通过匈牙利算法关联，并与检测结果及数据信息相对应，构建用于多目标跟踪器保留与丢弃判断的专家系统。

技术总结
一种基于点云空间分布映射的激光雷达数据的学习方法，包括：S1、构建目标激光雷达点云数据集，对任意带标注激光雷达点云数据集和目标激光雷达点云数据集进行线束空间分析；S2、将任意带标注激光雷达点云数据集所在空间坐标系变换至目标激光雷达点云数据集所在空间坐标系；S3、对坐标系变换后的任意带标注激光雷达点云数据集进行序列化处理；S4、计算三维空间非共线三点近似平面与激光雷达线束的交点以完成映射；S5、利用带标注的映射数据集训练关于点云目标检测的任意深度学习模型；S6、设计多目标跟踪器对序列信息进行更新实现结果的优化。本发明易操作、效率高，具有良好的鲁棒性，减少了不同类型数据集差异带来的影响。减少了不同类型数据集差异带来的影响。减少了不同类型数据集差异带来的影响。


技术研发人员：毛建旭 陶梓铭 王耀南 张辉 曾凯 易俊飞 钟杭 刘彩苹 朱青 刘敏
受保护的技术使用者：湖南大学
技术研发日：2022.11.30
技术公布日：2022/12/30