激光雷达内参精度验证方法、装置、设备及介质与流程

本发明实施例涉及传感器技术领域，尤其涉及一种激光雷达内参精度验证方法、装置、设备及介质。

背景技术：

随着传感器技术的发展，激光雷达由于分辨率高和隐蔽性好等特性，逐渐被应用到交通、地图绘制、无人车、军事等领域。其中，激光雷达由于其较多的光束便于对充分描述环境，重要程度尤为突出，多用于高精地图制作、无人驾驶汽车、建筑测量、家用服务机器人等领域。

但是，目前激光雷达的内参如各激光收发器的位姿和发射角度等都是出厂自带的内参，而由于量产工艺的误差，导致许多内参的精度不能满足实际应用需求。用户使用时若内参不准会给高精地图制作和自动驾驶等带来较大影响，从而影响用户的体验。因此提供一个能够自动化的检查出不满足精度要求的内参的方法是十分必要的。

技术实现要素：

本发明实施例提供一种激光雷达内参精度验证方法、装置、设备及介质，能够识别出激光雷达的内参是否精准。

第一方面，本发明实施例提供了一种激光雷达内参精度验证方法，包括：

获取在平直道路上行驶过程中自动驾驶移动载体上设置的激光雷达采集的点云数据；

依据采集的点云数据进行三维场景重建，得到三维场景点云模型；

对所述三维场景点云模型进行分割得到路面；

依据路面中的点云数据确定所述路面的厚度，并依据所述路面的厚度确定所述激光雷达的内参是否精准。

第二方面，本发明实施例还提供了一种激光雷达内参精度验证装置，该装置包括：

点云数据获取模块，用于获取在平直道路上行驶过程中自动驾驶移动载体上设置的激光雷达采集的点云数据；

三维场景建模模块，用于依据采集的点云数据进行三维场景重建，得到三维场景点云模型；

路面分割模块，用于对所述三维场景点云模型进行分割得到路面；

路面厚度确定模块，用于依据路面中的点云数据确定所述路面的厚度；

内参精度校验模块，用于依据所述路面的厚度确定所述激光雷达的内参是否精准。

第三方面，本发明实施例还提供了一种设备，该设备包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现第一方面中任意所述的激光雷达内参精度验证方法。

第四方面，本发明实施例还提供了一种介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任意所述的激光雷达内参精度验证方法。

本发明实施例提供的激光雷达内参精度验证方法、装置、设备及介质，通过激光雷达采集自动驾驶移动载体在平直道路上行驶过程中的点云数据，并依据采集的点云数据进行三维场景重建得到三维场景点云模型；对该三维场景点云模型进行分割并滤除路面之外的其它道路场景中的点云数据后，得到路面；依据构成路面的点云数据确定路面的厚度，基于路面的厚度可以确定该激光雷达的内参是否精准。该方案为自动检测激光雷达内参是否精准提供了一种新思路。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1a是本发明实施例一中的一种激光雷达内参精度验证方法的流程图；

图1b是本发明实施例一中的一种点云数据构建的三维场景点云模型的示意图；

图2是本发明实施例二中的一种激光雷达内参精度验证方法的流程图；

图3是本发明实施例三中的一种激光雷达内参精度验证方法的流程图；

图4是本发明实施例四中的一种激光雷达内参精度验证装置的结构示意图；

图5是本发明实施例五中的一种设备的结构示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

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。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例一

图1a为本发明实施例一提供的一种激光雷达内参精度验证方法的流程图，本实施例适用于如何确定激光雷达的内参是否精准的情况。该方法可以由本发明实施例中的激光雷达内参精度验证装置来执行，该装置可采用软件和/或硬件的方式实现，该装置可配置于自动驾驶移动载体如自动驾驶车辆上。如图1a所示，该方法具体包括如下步骤：

s110，获取在平直道路上行驶过程中自动驾驶移动载体上设置的激光雷达采集的点云数据。

其中，自动驾驶移动载体是一种无人驾驶的移动设备，可以是自动驾驶车辆等。激光雷达可以是多线束激光雷达，通过多个激光发射器在垂直方向上的分布，扫描一次通过电机的旋转能够形成多条线束的扫描线；多线束激光雷达通常为三维激光雷达，其获得的数据为三维数据。示例性的，若自动驾驶移动载体是自动驾驶车辆，可以将多线束激光雷达安装于自动驾驶车辆的车顶或挡风玻璃等位置。

点云数据是指一组由包含三维坐标的点所组成的点集，可以用来表征一个物体的外表面形状。其中，每个点的三维空间几何位置信息可用(x，y，z)表示，除此之外点云数据还可以表示一个点的rgb颜色，灰度值，深度，分割结果等。本实施例中，激光雷达所采集的点云数据是平直道路场景的点云数据，可以包括道路上的物体如树木、灯及车辆等的点云数据、以及道路路面的点云数据等。

需要说明的是，在激光雷达内参(即内部参数)不准时，平直的路面会被检测成碗状曲面，由点云数据形成的路面是碗状曲面。因此可利用该特性，让自动驾驶移动载体行驶在平直道路上来检测激光雷达内参是否精准。

具体的，将激光雷达安装于自动驾驶移动载体上，当自动驾驶移动载体在某一平直道路上行驶的过程中，通过其上设置的激光雷达对该道路场景进行扫描，得到该道路场景的点云数据。

s120，依据采集的点云数据进行三维场景重建，得到三维场景点云模型。

其中，三维场景重建是指对采集的点云数据进行点云融合，重现平直道路的场景；其中，可以采用icp(iterativeclosestpoint，迭代就近点)算法进行点云数据的融合；还可以采用全球定位系统(globalpositioningsystem，gps)或北斗卫星导航系统(beidounavigationsatellitesystem，bds)进行实时定位，基于实时定位数据如gps数据进行点云数据的融合。三维场景点云模型即为对采集的点云数据进行点云融合后得到的三维点云图。

具体的，依据采集的点云数据及实际道路信息等，采用icp算法进行点云数据融合，得到三维场景点云模型。如图1b所示是道路上某一场景的三维场景点云模型。其中，实际道路信息可以包括道路上的物体如树木、灯及车辆等、物体所在位置等。

s130，对三维场景点云模型进行分割得到路面。

其中，路面是由路面中的点云数据形成的，在三维场景中也可以称为路面点云。

具体的，可以依据三维场景点云模型及点云数据等确定点云分割阈值，依据点云分割阈值对三维场景点云模型进行分割，去除路面之外的其它道路场景中的点云数据如场景中的树木、灯及车辆等点云数据，得到路面点云。例如，对如图1b所示的三维场景点云模型进行分割得到的路面为10所在区域。

还可以采用建模的方式对三维场景点云模型进行分割得到路面，如可以采用高斯混合背景模型直接从三维场景点云模型中提取背景(路面)得到；也可以采用其它的算法，如ransac算法(randomsampleconsensus，随机抽样一致性)对三维场景点云模型进行分割得到路面。

s140，依据路面中的点云数据确定路面的厚度，并依据路面的厚度确定激光雷达的内参是否精准。

其中，路面的厚度是指依据点云数据构建的三维场景点云模型中路面的上边界与下边界的差值。

具体的，可以依据路面中的点云数据线拟合一个路面平面即地面平面，随后计算路面中的各点云数据到该平面的距离，依据距离确定路面的厚度。也可以是依据三维场景点云模型的分布特性，将点云数据划分为两组点云数据，依据两组点云数据分别拟合两个平面；针对每一组点云数据，依据该组点云数据中各点到其所确定的平面的距离确定平面的厚度；依据确定的两个平面的厚度确定路面的厚度。还可以是分别获取依据点云数据构建的三维场景点云模型中路面的上边界的点云数据和下边界的点云数据，依据上边界点云数据确定上平面，依据下边界点云数据确定下平面；通过计算两平面之间的距离确定路面的厚度等。

在依据路面中的点云数据确定路面的厚度之后，将路面的厚度与预设的厚度阈值进行比较，确定激光雷达内参是否精准。示例性的，若路面的厚度大于预设的厚度阈值，则确定激光雷达的内参有误。其中，厚度阈值是指预先设置的数值，可跟实际的道路情况进行修正。厚度阈值越小，确定该激光雷达的内参是否有误的准确定越高。例如，厚度阈值可以是20cm。

具体的，若依据路面中的点云数据确定的路面的厚度大于厚度阈值20cm时，说明依据该激光雷达采集的点云数据有误，则确定该激光雷达的内参不精准；若路面的厚度小于或等于厚度阈值20cm时，说明依据该激光雷达采集的点云数据是准确的，则确定该激光雷达的内参是精准的。

本发明实施例提供的技术方案，通过激光雷达采集自动驾驶移动载体在平直道路上行驶过程中的点云数据，并依据采集的点云数据进行三维场景重建得到三维场景点云模型；对该三维场景点云模型进行分割并滤除路面之外的其它道路场景中的点云数据后，得到路面；依据构成路面的点云数据确定路面的厚度，基于路面的厚度可以确定该激光雷达的内参是否精准。该方案为自动检测激光雷达内参是否精准提供了一种新思路。

实施例二

图2为本发明实施例二中的一种激光雷达内参精度验证方法的流程图，本实施例以上述实施例为基础，提供了一种依据路面上的点云数据确定路面的厚度，并依据路面的厚度确定激光雷达的内参是否精准的方法。如图2所示，本实施例的方法具体包括如下步骤：

s210，获取在平直道路上行驶过程中自动驾驶移动载体上设置的激光雷达采集的点云数据。

s220，依据采集的点云数据进行三维场景重建，得到三维场景点云模型。

s230，对三维场景点云模型进行分割得到路面。

s240，将路面中的点云数据划分为近距离点云数据和远距离点云数据。

本实施例中，经过大量实验总结发现激光雷达采集点云数据具有如下特性：1)距离激光雷达近的地方点云数据密集程度大于距离激光雷达远的地方的点云数据密集程度；2)内参不准时，随着距离激光雷达距离的增大，路面逐渐上翘或下弯。多帧点云数据的融合得到的路面中远处的路面厚度相对于近处的路面厚度更厚。

因此，依据上述特性，基于划分阈值将路面中的点云数据划分为近距离点云数据和远距离点云数据；其中，近距离点云数据是指距离激光雷达在划分阈值之内的点云数据；远距离点云数据是指距离激光雷达在划分阈值之外的点云数据。划分阈值是依据激光雷达量程预先设定的数值，与激光雷达的量程成正比，可以根据实际情况进行修正；例如划分阈值可以是激光雷达量程的30％-40％。

例如，以图1b中的三维场景点云模型去除路面之外的其它道路场景中的点云数据得到的路面10为例进行说明。以路面中的8所在中心点为圆点，以预设的划分阈值为半径进行划分，将圆之内的点视为近距离点云数据；之外的点视为远距离点云数据。

s250，依据近距离点云数据拟合近平面，确定近平面的厚度。

具体的，可以采用现有的平面拟合方法进行平面拟合得到近平面，例如可以采用ransac算法，基于近距离点云数据对预设平面进行拟合得到近平面，随后依据近距离点云数据中各点到近平面距离确定近平面的厚度。

示例性的，依据近距离点云数据拟合近平面，确定近平面的厚度可以包括如下步骤：

a、依据近距离点云数据拟合近平面；

本实施例中，以ransac算法为例对依据近距离点云数据拟合近平面进行说明。具体的，假设预设平面函数方程为：ax+by+cz+d＝0，以近距离点云数据为原始数据集计算预设平面函数中的参数a，b，c和d，得到初始近平面函数；统计原始数据集中各点到初始近平面函数所确定的平面间距离小于预设距离阈值的点个数；若满足条件的点个数小于预设点数值，则采用满足条件的点更新原始数据集即将满足条件的点作为新的原始数据集，返回重新执行对预设平面函数参数计算及统计满足条件的点个数的操作，直至满足条件的点个数大于或等于预设点数值，停止迭代。将满足点个数大于或等于预设点数值对应的初始近平面函数所确定的平面视为近平面。其中，预设距离阈值是指预先确定的数值，其值越小精度越高，可根据实际情况进行修正；预设点数值也是指预先确定的数值，该预设点数值可根据实际情况进行修正，例如，预设点数值可以是300。

b、依据各近距离点云数据到近平面的距离，确定近平面的厚度。

具体的，在依据近距离点云数据拟合得到近平面之后，计算近距离点云数据中各点到近平面的距离，依据各距离可以确定距离均值、方差或均值函数等中的至少一个，例如距离均值，可以将确定的距离均值确定为近平面的厚度。还可以将各距离中的距离最大值确定为近平面的厚度等。

s260，依据远距离点云数据拟合远平面，确定远平面的厚度。

依据远距离点云数据拟合远平面，确定远平面的厚度与依据近距离点云数据拟合近平面，确定近平面的厚度的方式类似，只是近平面确定是基于近距离点云数据确定的；而远平面是基于远距离点云数据确定的。具体的，可以采用现有的平面拟合方法进行平面拟合得到远平面，例如也可以采用ransac算法，基于远距离点云数据对预设平面进行拟合得到远平面，随后依据远距离点云数据中各点到远平面距离确定远平面的厚度。示例性的，依据远距离点云数据拟合远平面，确定远平面的厚度可以包括：依据远距离点云数据拟合远平面；依据各远距离点云数据到远平面的距离，确定远平面的厚度。

s270，依据近平面的厚度和远平面的厚度，确定激光雷达的内参是否精准。

具体的，将近平面的厚度与远平面的厚度作差，若两者差的绝对值小于阈值，说明近平面和远平面几乎在一水平面上即路面是平行的，则确定该激光雷达的内参是精准的；若两者差的绝对值大于或等于阈值，说明远平面是上翘或下弯的即路面呈碗状曲面，则确定该激光雷达的内参有误。

本发明实施例提供的技术方案，通过激光雷达采集自动驾驶移动载体在平直道路上行驶过程中的点云数据，并依据采集的点云数据进行三维场景重建得到三维场景点云模型；对该三维场景点云模型进行分割并滤除路面之外的其它道路场景中的点云数据后，得到路面之后，基于激光雷达采集的点云数据的特性将点云数据分为近距离点云数据和远距离点云数据，分别依据近距离点云数据拟合的近平面和远距离点云数据拟合的远平面可确定近平面厚度和远平面厚度；依据两个平面的厚度可确定该激光雷达的内参是否精准，为自动检测激光雷达内参是否精准提供了一种新思路。

实施例三

图3为本发明实施例三中的一种激光雷达内参精度验证方法的流程图，本实施例以上述实施例为基础，又提供了一种依据路面上的点云数据确定路面的厚度，并依据路面的厚度确定激光雷达的内参是否精准的方法。如图3所示，本实施例的方法具体包括如下步骤：

s310，获取在平直道路上行驶过程中自动驾驶移动载体上设置的激光雷达采集的点云数据。

s320，依据采集的点云数据进行三维场景重建，得到三维场景点云模型。

s330，对三维场景点云模型进行分割得到路面。

s340，依据路面中的点云数据拟合路面平面。

其中，路面平面即为地面所在平面。具体的，可以采用现有的平面拟合方法进行平面拟合得到路面平面，例如也可以采用ransac算法。采用ransac算法确定路面平面的方式与上述实施例二中确定近平面的方式相同，只是近平面确定是基于近距离点云数据确定的；而路面平面是基于路面中的各点云数据包括近距离点云数据和远距离点云数据确定的。

s350，确定各点云数据到路面平面的距离。

具体的，在依据点云数据拟合得到路面平面之后，计算点云数据中各点到路面平面的距离，即计算点与平面之间的距离。

s360，若第一距离和第二距离对应的点云数量是点云数据中点总数量的预设的比例阈值，则确定到路面平面是第一距离和第二距离的各点分别组成路面的第一边界和第二边界。

其中，点总数量是指路面点云数据的总点数；比例阈值是指预先设置的占比，可根据实际情况进行修正，例如可以是1％。经统计发现，点云数据中各点到路面平面的距离中有两个距离的点云数量是点云数据中点总数量的预设的比例阈值，将这两个距离分别作为第一距离和第二距离。并且，将距路面距离是第一距离的点云数据构成的边界作为路面的第一边界，将距路面距离是第二距离的点云数据构成的边界作为路面的第二边界。

第一距离和第二距离的确定可以采用如下操作：以距离为横坐标，点云数量为纵坐标，拟合点云数据中点到路面平面的距离直方图。以平行于横坐标直线进行截断，以与距离直方图的交点向横坐标作垂线垂足分别为点a和点b。若直线与距离直方图的交点处对应的点云数量占点云数据中点总数量的1％，即第一距离和第二距离对应的点云数量是点云数据中点总数量的1％，则可以将点a对应的距离作为第一距离，对应的，将点b对应的距离作为第二距离。并确定到路面平面是第一距离的各点云数据组成路面的第一边界；确定到路面平面是第二距离的各点云数据组成路面的第二边界。

s370，将第一边界和第二边界之间的距离作为路面的厚度。

s380，依据路面的厚度确定激光雷达的内参是否精准。

具体的，若路面的厚度小于厚度阈值，则确定该激光雷达的内参是精准的；若路面的厚度大于或等于厚度阈值，则确定该激光雷达的内参有误。

本发明实施例提供的技术方案，通过激光雷达采集自动驾驶移动载体在平直道路上行驶过程中的点云数据，并依据采集的点云数据进行三维场景重建得到三维场景点云模型；对该三维场景点云模型进行分割并滤除除路面之外的其它道路场景中的点云数据后，得到路面之后，采用路面中的点云数据拟合得到路面平面，并计算各点云数据到该路面平面的距离；依据距离确定路面的第一边界和第二边界，并依据两边界可确定该激光雷达的内参是否精准，为自动检测激光雷达内参是否精准提供了一种新思路。

实施例四

图4为本发明实施例四提供的一种激光雷达内参精度验证装置的结构示意图。该装置可执行本发明任意实施例所提供的激光雷达内参精度验证方法，具备执行方法相应的功能模块和有益效果。如图4所示，该装置具体包括：点云数据获取模块410、三维场景建模模块420、路面分割模块430、路面厚度确定模块440和内参精度校验模块450。

其中，点云数据获取模块410，用于获取在平直道路上行驶过程中自动驾驶移动载体上设置的激光雷达采集的点云数据；

三维场景建模模块420，用于依据采集的点云数据进行三维场景重建，得到三维场景点云模型；

路面分割模块430，用于对三维场景点云模型进行分割得到路面；

路面厚度确定模块440，用于依据路面中的点云数据确定路面的厚度；

内参精度校验模块450，用于依据路面的厚度确定激光雷达的内参是否精准。

本发明实施例提供的技术方案，通过激光雷达采集自动驾驶移动载体在平直道路上行驶过程中的点云数据，并依据采集的点云数据进行三维场景重建得到三维场景点云模型；对该三维场景点云模型进行分割并滤除路面之外的其它道路场景中的点云数据后，得到路面；依据构成路面的点云数据确定路面的厚度，基于路面的厚度可以确定该激光雷达的内参是否精准。该方案为自动检测激光雷达内参是否精准提供了一种新思路。

示例性的，路面厚度确定模块440还可以用于：

将路面中的点云数据划分为近距离点云数据和远距离点云数据；依据近距离点云数据拟合近平面，确定近平面的厚度；依据远距离点云数据拟合远平面，确定远平面的厚度；

内参精度校验模块450还可以用于：

依据近平面的厚度和远平面的厚度，确定激光雷达的内参是否精准。

示例性的，路面厚度确定模块440还可以用于：

依据近距离点云数据拟合近平面；

依据各近距离点云数据到近平面的距离，确定近平面的厚度。

示例性的，路面厚度确定模块440还可以用于：

依据路面中的点云数据拟合路面平面；

确定各点云数据到路面平面的距离；

若第一距离和第二距离对应的点云数量是点云数据中点总数量的预设的比例阈值，则确定到路面平面是第一距离和第二距离的各点分别组成路面的第一边界和第二边界；

将第一边界和第二边界之间的距离作为路面的厚度。

示例性的，内参精度校验模块450还可以用于：

若路面的厚度大于预设的厚度阈值，则确定激光雷达的内参有误。

实施例五

图5为本发明实施例五中的一种设备的结构示意图。图5示出了适于用来实现本发明实施方式的示例性设备12的框图。图5显示的设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，设备12以通用计算设备的形式表现。设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。

设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)30和/或高速缓存存储器32。设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如系统存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该设备12交互的设备通信，和/或与使得该设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o)接口22进行。另外，本实施例中的设备12，显示器24不是作为独立个体存在，而是嵌入镜面中，在显示器24的显示面不予显示时，显示器24的显示面与镜面从视觉上融为一体。并且，设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与设备12的其它模块通信。应当明白，尽管图中未示出，可以结合设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的激光雷达内参精度验证方法。

实施例六

本发明实施例六提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有发明实施例提供的激光雷达内参精度验证方法。

可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、rf等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

另外，本发明实施例中还提供了一种车辆，包括车体，所述车体上设置有本发明任意实施例提供的设备，以及与所述设备通信连接的激光雷达。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。