快速提取激光雷达地面点云的方法与流程

1.本发明涉及智能驾驶技术领域，具体地涉及快速提取激光雷达地面点云的方法。


背景技术：

2.环境感知技术作为智能驾驶最为重要模块，精准的环境感知技术尤为重要。当前激光雷达作为高阶自动驾驶必备传感器之一，如何处理激光雷达数据尤其重要。其中，针对激光传感器扫描出的点云有效进行地面点分割或提取是目标感知识别最为重要的预处理环节。
3.当前，激光点云地面点提取主要分为如下两种技术路径：
4.1.根据地面点云的空间位置，通过几何约束的方式设计算法来对地面点云提取。
5.典型如：论文1“fast segmentation of 3d point clouds:a paradigm on lidar data for autonomous vehicle applications”，其设计的地面点云提取主要步骤为：
6.(1)首先通过将点云按照高程z排序，获取设置最高地面点区间范围内初步点云。
7.(2)获取地面点云初始集后，通过svd(奇异值分解)来求取地面方程。
8.(3)最后通过迭代n(设置参数)次求取最终的地面点集。
9.典型如：论文2“fast segmentation of 3d point clouds for ground vehicles”，其提取地面点云的主要步骤为：
10.(1)首先将点云区域划分若干个扇形区域，每个扇形区域再划分为子区域。
11.(2)对每个扇形区域的各个子区域进行点集连接，若扇形区域内部的子区域点与相邻子区域点连接斜率低于某个设置参数阈值，则为地面点。
12.(3)重复对每个扇形区域对步骤(2)相同操作，获取最终的地面点。空间几何约束方法提取地面点云主要操作是划分网格，对网格搜索最低点集拟合迭代生成曲面来最终获取地面点。
13.2.主要是通过深度学习方式来分割地面点云。而其中：深度学习点云分割算法主要有如下几种方式：
14.2.1直接在原始点云结构上或点云投影通过深度学习进行点云分割来提取地面点。
15.典型如：论文3“rangenet++:fast and accurate lidar semantic segmentation”为代表的点云分割，其主要步骤为：点云投影，卷积神经网络语义分割，点云重建，后处理模块。
16.2.2就是通过借助视觉方式将点云投影在图像内来进行加速分割。无论是哪种深度学习策略来进行地面点云提取，随着数据标注质量与数据量的提升，地面点云提取效果越来越佳。
17.现有技术的缺陷在于：
18.1.点云几何约束去地面算法耗时较高，流程较为复杂，同时无法适应地面坡度变化较大场景；
19.2.由于点云几何约束去地面算法需要针对场景进行调参，从而场景适配性较差；
20.3.由于点云深度学习去地面分割算法耗时较高，同时标注成本高，从而使得该方法工业落地存在一定困难。


技术实现要素：

21.本发明针对上述问题，提供快速提取激光雷达地面点云的方法，其目的在于解决大曲率坡度地面点提取困难；不依赖数据样本标注，大幅度降低成本与算力需求；无需通过不同传感器之间关系映射分割，也不依赖项增加同时对于标定精度、时间同步无需更高的要求。
22.为解决上述问题，本发明提供的技术方案为：
23.一种快速提取激光雷达地面点云的方法，包含以下步骤：
24.s100.实时获取用于表征车辆当前所处的位置的高精度定位信息；然后根据所述高精度定位信息，将点云从激光雷达坐标系转换至车身坐标系；
25.s200.实时生成当前车辆所处的所述自车定位信息的道路roi区域点集；所述道路roi区域点集位于所述车身坐标系之下；
26.s300.根据所述道路roi区域点集生成轮廓区域；同时根据所述道路roi区域点集生成多个小区域；所述轮廓区域为多个所述小区域的集合；
27.s400.根据所述轮廓区域和所述小区域，得到地面点云数据集和非地面点云数据集；
28.s500.输出所述地面点云数据集；所述地面点云数据集即为本发明的最终结果。
29.优选地，s100中由高精度定位模块实时计算更新并发送所述高精度定位信息；
30.由激光雷达软件算法模块实时接收所述高精度定位信息，并将所述点云从所述激光雷达坐标系转换至所述车身坐标系。
31.优选地，s200由高精度地图在接收到所述高精度定位信息后，然后根据所述高精度定位信息实时生成并动态发送当前车辆所处的所述道路roi区域点集；
32.所述道路roi区域点集中的点包含横坐标、纵坐标、高程坐标；
33.所述道路roi区域点集中的点取自静态点集；所述静态点集依据高精度定位信息转换至所述车身坐标系之下，由所述高精度地图根据预先内建的先验图层结合所述高精度定位信息得到并动态发送。
34.优选地，s300中所述根据所述道路roi区域点集生成轮廓区域，具体包含以下步骤：
35.s310a.接收由所述高精度地图发送的所述道路roi区域点集；然后将所述道路roi区域点集拟合成为polygon封闭区域；所述polygon封闭区域中的点只取每个点的x-y坐标，包含横坐标、纵坐标；所述polygon封闭区域为二维的多边形的平面区域；
36.s320a.通过所述polygon封闭区域，将激光雷达实时扫描生成的点云数据进行过滤；过滤规则只取每个点的x-y坐标，按照x-y平面进行过滤，且不对z进行限制；然后保留处于多边形的所述polygon封闭区域内部的点云，得到所述轮廓区域。
37.优选地，s300中所述同时根据所述道路roi区域点集生成多个小区域，具体包含以下步骤：
38.s310b.接收由所述高精度地图发送的所述道路roi区域点集；
39.s320b.根据所述道路roi区域点集，动态生成多个所述小区域；每个所述小区域的顶点的坐标是三维点，包含横坐标、纵坐标、高程坐标。
40.优选地，s400具体包含以下步骤：
41.s410.接收由s310b～s320b中得到的所述小区域；然后利用每个所述小区域的顶点，为每个所述小区域生成对应的三维切平面；所述三维切平面为三维坐标系下的面结构；
42.s420.循环遍历每个所述三维切平面，将所述polygon封闭区域中的点云依次判定归属的对应的所述三维切平面；然后将所述polygon封闭区域中的点云划分之每个对应的所述三维切平面中；
43.s430.根据每个点至所属的所述三维切平面的距离，判定点属于所述三维切平面之上还是属于所述三维切平面之下；然后根据判定结果，做出如下操作：
44.如果点属于所述三维切平面之上，则标定这个点属于非地面点；
45.如果点属于所述三维切平面之下，则标定这个点属于地面点；
46.s440.将所有的所述非地面点打包，得到所述polygon封闭区域中的所述非地面点云数据集；将所有的所述地面点打包，得到所述polygon封闭区域中的所述地面点云数据集。
47.优选地，s410中所述为每个所述小区域生成对应的三维切平面，具体包含以下步骤：
48.s411.实时动态接收所述道路roi区域点集；
49.s412.将所述道路roi区域点集将所述道路roi区域点集划分成为多个不同大小的所述小区域；
50.s413.循环遍历每个所述小区域；根据的顶点坐标，求解平面方程，得到所述三维切平面；所述按下式表达：
51.ax+by+cz+d＝0
52.其中：x为横坐标；y为纵坐标；z为高程坐标；(a,b,c)为法向量；d为原点到平面的距离。
53.优选地，s413中所述求解平面方程，具体包含以下步骤：
54.s413a.获取要求解的所述平面方程所对应的所述小区域的顶点数量；
55.s413b.根据所述小区域的顶点数量，做出如下操作：
56.如果所述小区域的顶点数量大于3个，则采用最小二乘法来进行求解所述平面方程；
57.如果所述小区域的顶点数量为3个，则通过顶点信息直接求取超定方程解，以求解所述平面方程。
58.优选地，s412中所述将所述道路roi区域点集将所述道路roi区域点集划分成为多个不同大小的所述小区域，具体包含以下步骤：
59.s412a.遍历由所述高精度地图发送的所述道路roi区域点集中的所有点；
60.s412b.以离车辆纵向距离x轴方向，按照由近及远的规则，对s412a中的所有点进行排序，形成排序后的点集；
61.s412c.将排序后的点集，按照每4个连接成为一个封闭子区域；然后将这个生成的
所述封闭子区域解释为一个所述小区域；
62.s412d.根据排序后的点集中剩余的点的个数，做出如下操作：
63.如果排序后的点集中剩余的点的个数大于3个，则返回并再次执行s412c；
64.如果排序后的点集中剩余的点的个数等于3个，则将这3个点连接成为一个封闭子区域；然后将这个生成的所述封闭子区域解释为一个所述小区域；
65.如果排序后的点集中剩余的点的个数小于3个，则丢弃最后剩余的点；然后结束s412的流程。
66.优选地，s412c中所述按照每4个连接成为一个封闭子区域，规则为：左右边缘各2个点。
67.本发明与现有技术对比，具有以下优点：
68.1.由于本发明优化了现有技术空间几何约束算法是自适应进行动态地面点云提取，算法耗时高的缺点，且场景适配性较差需要大量人工调参的缺点，同时解决了大曲率坡度地面点提取困难的问题；
69.2.由于本发明优化了现有技术的深度学习分割提取地面点的方法，以及直接对激光雷达点云进行分割提取的问题，从而不依赖数据样本标注，大幅度降低了数据成本与算力需求；
70.3.由于本发明不依赖于对激光雷达点云进行分割提取，又由于当前激光点云分割方式对算力要求较高，无法在工业界落地实际使用，从而无需通过不同传感器之间关系映射分割，也不依赖项增加同时对于标定精度、时间同步无需更高的要求。
附图说明
71.图1为本发明具体实施例的算法整体流程示意图；
72.图2为本发明具体实施例的可视化显示地面点提取整个流程示意图；
73.图3a为传统gpf算法效果的对比效果roi区域感兴趣点云的示意图；
74.图3b为本发明具体实施例的对比效果roi区域感兴趣点云的示意图；
75.图4a为gpf提取地面点云效果的效果示意图；
76.图4b为本发明具体实施例的提取地面点云效果的效果示意图；
具体实施方式
77.下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本技术所附权利要求所限定的范围。
78.需要事先说明的是，本发明提出的快速提取激光雷达地面点云的方法，主要优化空间几何约束方法的以下几个方面。首先，本发明所提出的方法在算法耗时上较空间几何约束有所降低。其次，依赖高精度地图给与道路边缘信息，提升本发明算法场景适配性更好。最后，本发明所提出算法在高精度地图给与道路边缘信息基础上，通过设计算法流程进一步解决大曲率斜坡地面点云的提取。整体来看，本发明所提出的激光雷达地面点云提取算法流程清晰，耗时较低，场景适配性较好，同时解决大曲率斜坡地面点云提取干净的难点。
79.本发明提出一种快速提取激光雷达地面点云的方法，主要优化空间几何约束方法的以下几个方面。首先，本发明所提出的方法在算法耗时上较空间几何约束有所降低。其次，依赖高精度地图给与道路边缘信息，提升本发明算法场景适配性更好。最后，本发明所提出算法在高精度地图给与道路边缘信息基础上，通过设计算法流程进一步解决大曲率斜坡地面点云的提取。整体来看，本发明所提出的激光雷达地面点云提取算法流程清晰，耗时较低，场景适配性较好，同时解决大曲率斜坡地面点云提取干净的难点。
80.如图1所示，一种快速提取激光雷达地面点云的方法，包含以下步骤：
81.s100.实时获取用于表征车辆当前所处的位置的高精度定位信息；然后根据高精度定位信息，将点云从激光雷达坐标系转换至车身坐标系。
82.本具体实施例中，s100中由高精度定位模块实时计算更新并发送高精度定位信息。
83.由激光雷达软件算法模块实时接收高精度定位信息，并将点云从激光雷达坐标系转换至车身坐标系。
84.s200.实时生成当前车辆所处的自车定位信息的道路roi区域点集；道路roi区域点集位于车身坐标系之下。
85.本具体实施例中，s200由高精度地图在接收到高精度定位信息后，然后根据高精度定位信息实时生成并动态发送当前车辆所处的道路roi区域点集。
86.道路roi区域点集中的点包含横坐标、纵坐标、高程坐标。
87.道路roi区域点集中的点取自静态点集；静态点集位于车身坐标系之下，由高精度地图根据预先内建的先验图层结合高精度定位信息得到并动态发送。
88.s300.根据道路roi区域点集生成轮廓区域；同时根据道路roi区域点集生成多个小区域；轮廓区域为多个小区域的集合。
89.本具体实施例中，s300中根据道路roi区域点集生成轮廓区域，具体包含以下步骤：
90.s310a.接收由高精度地图发送的道路roi区域点集；然后将道路roi区域点集拟合成为polygon封闭区域。
91.如图2所示，polygon封闭区域中的点只取每个点的x-y坐标，包含横坐标、纵坐标；polygon封闭区域为二维的多边形的平面区域。
92.s320a.通过polygon封闭区域，将激光雷达实时扫描生成的点云数据进行过滤；过滤规则只取每个点的x-y坐标，按照x-y平面进行过滤，且不对z进行限制；然后保留处于多边形的polygon封闭区域内部的点云，得到轮廓区域。
93.本具体实施例中，s300中同时根据道路roi区域点集生成多个小区域，具体包含以下步骤：
94.s310b.接收由高精度地图发送的道路roi区域点集。
95.s320b.根据道路roi区域点集，动态生成多个小区域；每个小区域的顶点的坐标是三维点，包含横坐标、纵坐标、高程坐标。
96.需要说明的是，s310b～s320b包含高程信息，这里与s320a只将polygon区域划分多个子区域是按照x-y平面进行划分，而保留二维点集polygon区域信息不同
97.s400.根据轮廓区域和小区域，得到地面点云数据集和非地面点云数据集。
98.需要说明的是，s400的原理在于：循环遍历s320生成的多个小区域，将s310过滤后多边形内部点云，循环进行判断属于某个小区域，然后依次对每个小区域内点云是否属于地面点判断。
99.本具体实施例中，s400具体包含以下步骤：
100.s410.接收由s310b～s320b中得到的小区域；然后利用每个小区域的顶点，为每个小区域生成对应的三维切平面；三维切平面为三维坐标系下的面结构。
101.本具体实施例中，s410中为每个小区域生成对应的三维切平面，具体包含以下步骤：
102.s411.实时动态接收道路roi区域点集。
103.s412.将道路roi区域点集将道路roi区域点集划分成为多个不同大小的小区域。
104.需要说明的是，s412中以x-y平面进行划分，即bev视角。
105.需要进一步说明的是，s412这里的原理在于：遍历排序高精度地图发送的所有点，按照(以离车辆纵向距离x轴方向)由近及远的方式进行排序。将排完序的点集按照每4个(左右边缘各2个点)连接成为一个封闭子区域。逐渐生成多个子区域，若遍历最后剩余点集少于3个则丢弃最后的点，若大于3个则将其连接成为一个封闭区域。
106.本具体实施例中，s412中将道路roi区域点集将道路roi区域点集划分成为多个不同大小的小区域，具体包含以下步骤：
107.s412a.遍历由高精度地图发送的道路roi区域点集中的所有点；
108.s412b.以离车辆纵向距离x轴方向，按照由近及远的规则，对s412a中的所有点进行排序，形成排序后的点集。
109.s412c.将排序后的点集，按照每4个连接成为一个封闭子区域；然后将这个生成的封闭子区域解释为一个小区域。
110.本具体实施例中，s412c中按照每4个连接成为一个封闭子区域，规则为：左右边缘各2个点。
111.s412d.根据排序后的点集中剩余的点的个数，做出如下操作：
112.如果排序后的点集中剩余的点的个数大于3个，则返回并再次执行s412c。
113.如果排序后的点集中剩余的点的个数等于3个，则将这3个点连接成为一个封闭子区域；然后将这个生成的封闭子区域解释为一个小区域。
114.如果排序后的点集中剩余的点的个数小于3个，则丢弃最后剩余的点；然后结束s412的流程。
115.s413.循环遍历每个小区域；根据的顶点坐标，求解平面方程，得到三维切平面；按下式表达：
116.ax+by+cz+d＝0
117.其中：x为横坐标；y为纵坐标；z为高程坐标；(a,b,c)为法向量；d为原点到平面的距离。
118.需要说明的是，每个小区域有至少3个顶点。
119.本具体实施例中，s413中求解平面方程，具体包含以下步骤：
120.s413a.获取要求解的平面方程所对应的小区域的顶点数量。
121.s413b.根据小区域的顶点数量，做出如下操作：
122.如果小区域的顶点数量大于3个，则采用最小二乘法来进行求解平面方程。
123.如果小区域的顶点数量为3个，则通过顶点信息直接求取超定方程解，以求解平面方程。
124.s420.循环遍历每个三维切平面，将polygon封闭区域中的点云依次判定归属的对应的三维切平面；然后将polygon封闭区域中的点云划分之每个对应的三维切平面中。
125.s430.根据每个点至所属的三维切平面的距离，判定点属于三维切平面之上还是属于三维切平面之下；然后根据判定结果，做出如下操作：
126.如果点属于三维切平面之上，则标定这个点属于非地面点。
127.如果点属于三维切平面之下，则标定这个点属于地面点。
128.s440.将所有的非地面点打包，得到polygon封闭区域中的非地面点云数据集；将所有的地面点打包，得到polygon封闭区域中的地面点云数据集。
129.s500.输出地面点云数据集；地面点云数据集即为本发明的最终结果。
130.为了进一步展示本发明的技术效果，本具体实施例还提供了一下实验数据对比，可以直观的与现有技术的效果进行对比：
131.本实验数据对比效果如下图3a、图3b、图4a、图4b所示。图4a为传统gpf算法地面点提取效果图，即背景技术部分所涉及的论文1所介绍的地面点提取方法，图4b为本发明方法提取地面点效果。可以明显看出右下角本发明提取的地面点较论文1所提出的gpf更加精确。
132.图3a、图3b即为去除地面点之后roi区域的点云效果，图3a为传统gpf算法提取地面点之后的感兴趣区域点云，图3b为本发明方法的感兴趣区域点云。经过对比可以清晰的看出，图3a出现很多的噪声地面点没有有效过滤，这样会导致后续对感兴趣区域点云产生许多误检。经过对比图3b则更加精确的点云，较图3a方法不会生成大量误检。
133.附：图3a与图4a或图3b与图4b示例的实验结果点云合并在一起即为图2的polygon区域的点云。
134.需要进一步说明的是：若想得到更加精确的分割点云，使用深度学习方法从效果上要优于本技术方案。同时，相对于本技术方案依赖于高精度地图给与的静态点集信息，深度学习无需高精度地图依赖项，但是深度学习方法对数据要求与算力成本较高。目前深度学习分割方案还未在工业界取得大规模应用。
135.总结本发明的关键技术点在于：
136.1.通过高精度地图给与的道路边缘三维点信息，生成多边形轮廓进行点云过滤。
137.2.对多边形轮廓生成多个子区域，同时对每个子区域生成三维切平面。
138.3.将点云划分成为子区域切平面，更加细化与提升每个子区域的地面点分割精度与准确度，兼顾精度与效率。
139.在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要更清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。
140.为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进
行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本发明定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本发明给出的实施例，而是与本技术公开的原理和新颖性特征的最广范围相一致。
141.上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本发明中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。
142.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。