数据处理方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种数据处理方法、装置、设备及存储介质，涉及数据处理技术中的自动驾驶技术领域，可以应用在具有数据处理能力的设备上。具体实现方案为：获取高线激光雷达点云数据和在同一时刻得到的低线激光雷达点云数据，将高线激光雷达点云上的高线检测分类结果投影到低线激光雷达点云上，得到低线激光雷达的低线标注结果，由于高线检测分类结果的准确性高，不仅可以保证低线激光雷达的低线标注结果的质量，而且在没有人工参与的情况下，实现了数据的自动化标注，降低了标注成本，缩短了标注时间，提高了标注质量。

【技术实现步骤摘要】
数据处理方法、装置、设备及存储介质
本申请实施例涉及数据处理
，尤其涉及自动驾驶
的数据处理方法、装置、设备及存储介质。
技术介绍
随着人工智能技术的蓬勃发展，自动驾驶车辆的功能越来越强大，其中，自动驾驶车辆的大部分功能是基于训练的智能算法模型实现的，而智能算法模型的实现强依赖于标注的训练数据，训练数据的标注质量直接影响了智能算法模型的精度，因而，如何提高训练数据的标注质量是提高智能算法模型精度的关键。现有的数据标注方法，通常是人工标注，即数据加工人员借助标记工具对智能算法的训练数据进行加工。但是人工标注方法存在标注成本高，标注时间长、标注质量差的问题。
技术实现思路
本申请实施例提供了一种数据处理方法、装置、设备及存储介质，用于解决现有人工标注方法存在标注成本高，标注时间长、标注质量差的问题。第一方面，本申请实施例提供了一种数据处理方法，包括：获取高线激光雷达进行激光扫描得到的高线激光雷达点云数据和低线激光雷达在同一时刻进行激光扫描得到的低线激光雷达点云数据；将所述高线激光雷达点云数据对应的高线检测分类结果投影到所述低线激光雷达点云数据上，得到所述低线激光雷达点云数据的低线标注结果。第二方面，本申请实施例提供了一种数据处理装置，包括：获取模块和处理模块；所述获取模块，用于获取高线激光雷达进行激光扫描得到的高线激光雷达点云数据和低线激光雷达在同一时刻进行激光扫描得到的低线激光雷达点云数据；所述处理模块，用于将所述高线激光雷达点云数据对应的高线检测分类结果投影到所述低线激光雷达点云数据上，得到所述低线激光雷达点云数据的低线标注结果。第三方面，本申请实施例提供一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。第四方面，本申请实施例提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。第五方面，本申请实施例提供一种数据处理方法，包括：获取在同一时间段得到的高线激光雷达点云数据和低线激光雷达点云数据；根据所述高线激光雷达点云数据和所述低线激光雷达点云数据，得到所述低线激光雷达点云数据的低线标注结果。本申请实施例提供的数据处理方法、装置、设备及存储介质，基于高线激光雷达的点云信息比低线激光雷达的点云信息更丰富，检测距离远的特点，将高线激光雷达点云上的高线检测分类结果投影到低线激光雷达点云上，得到低线激光雷达的低线标注结果，由于利用高线激光雷达检测障碍物的召回率和精度比利用低线激光雷达检测的要高，因而，可以保证低线激光雷达的低线标注结果的质量，在没有人工参与的情况下，也可实现数据的自动化标注，降低了标注成本，缩短了标注时间，提高了标注质量。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。附图说明附图用于更好地理解本方案，不构成对本申请的限定。其中：图1是本申请提供的数据处理方法的应用场景示意图；图2是本申请第一实施例提供的数据处理方法的流程示意图；图3是本申请实施例中高线激光雷达点云数据、高线检测分类结果与低线激光雷达点云数据的低线标注结果的投影示意图；图4是本申请第二实施例提供的数据处理方法的流程示意图；图5为本申请第三实施例提供的数据处理方法的流程示意图；图6是本申请实施例提供的数据处理方法低线标注结果的更新示意图；图7是本申请第四实施例提供的数据处理方法的流程示意图；图8是本申请实施例提供的数据处理装置实施例的结构示意图；图9是用来实现本申请实施例数据处理方法的电子设备的框图。具体实施方式以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。在介绍本申请的技术方案之前，首先对本申请实施例中涉及到的术语进行解释：点云：点云是在同一空间参考系下表达目标空间分布和目标表面特性的海量点集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”(PointCloud)。点云数据：点云数据：采用激光扫描的方式，获取环境的点云数据；当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成物体的激光点云数据。点云数据是在目标表面特性的海量点云的集合。高线激光雷达和低线激光雷达：在介绍高线激光雷达和低线激光雷达之前，首先介绍一下单线激光雷达和多线激光雷达。其中，单线激光雷达即只有一个激光发射器和一个旋转扫描仪的激光雷达，激光发射器发出的线束是单线的，只能追踪单个物体的运动轨迹。多线激光雷达也称为多点激光雷达，是指能够同时发射及接收多束激光的激光旋转测距雷达，其能够同时追踪多个物体的运动轨迹，可以识别物体的高度信息并获取周围环境的3D扫描图，主要应用于无人驾驶车辆。目前，多线激光雷达主要有4线、8线、16线、32线、64线和128线之分。在本申请的实施例中，基于多线激光雷达具有的激光线束数量，可以将多线激光雷达分为高线激光雷达和低线激光雷达，例如，将具有激光线束的数量大于预设线束数量的激光雷达称为高线激光雷达，将具有激光线束的数量小于或等于预设线束数量的激光雷达称为低线激光雷达。示例性的，高线激光雷达可以是128线的多线激光雷达，低线激光雷达可以是4线的多线激光雷达等。可以理解的是，在本实施例中，关于预设线束数量的具体取值可以根据实际需要设定，此处不再赘述。例如，在一种场景下，预设线束数量等于32，即，将大于32线的激光雷达称为高线激光雷达，例如，64线激光雷达、128线激光雷达，将小于或等于32线的激光雷达称为低线激光雷达，例如，4线激光雷达、8线激光雷达、16线激光雷达、32线激光雷达；在另一种场景下，预设线束数量等于16，即，将大于16线的激光雷达称为高线激光雷达，例如，32线激光雷达、64线激光雷达、128线激光雷达，将小于或等于16线的激光雷达称为低线激光雷达，例如，4线激光雷达、8线激光雷达、16线激光雷达。在介绍本申请的技术方案之前，再对本申请实施例的应用场景进行简单介绍：随着智能信息技术的不断推进，世界汽车产业也正在发生着显著变化，自动驾驶技术是汽车企业和互联网科技公司追逐的目标之一。自动驾驶技术的终本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，包括：/n获取高线激光雷达进行激光扫描得到的高线激光雷达点云数据和低线激光雷达在同一时刻进行激光扫描得到的低线激光雷达点云数据；/n将所述高线激光雷达点云数据对应的高线检测分类结果投影到所述低线激光雷达点云数据上，得到所述低线激光雷达点云数据的低线标注结果。/n

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：
获取高线激光雷达进行激光扫描得到的高线激光雷达点云数据和低线激光雷达在同一时刻进行激光扫描得到的低线激光雷达点云数据；
将所述高线激光雷达点云数据对应的高线检测分类结果投影到所述低线激光雷达点云数据上，得到所述低线激光雷达点云数据的低线标注结果。


2.根据权利要求1所述的方法，其特征在于，所述将所述高线激光雷达点云数据对应的高线检测分类结果投影到所述低线激光雷达点云数据上，得到所述低线激光雷达点云数据的低线标注结果，包括：
根据所述高线激光雷达到所述低线激光雷达的投影转移矩阵，将所述高线检测分类结果映射到所述低线激光雷达点云数据上，得到所述低线激光雷达点云数据的低线初始标注结果；
对所述低线初始标注结果进行修正处理，得到所述低线激光雷达点云数据的低线标注结果。


3.根据权利要求2所述的方法，其特征在于，所述对所述低线初始标注结果进行修正处理，得到所述低线激光雷达点云数据的低线标注结果，包括：
确定所述低线初始标注结果与所述高线检测分类结果具有投影偏差的至少一个影响因素；
根据所述至少一个影响因素中每个影响因素对应的偏差修正方式，对所述低线初始标注结果进行修正处理，得到所述低线标注结果。


4.根据权利要求3所述的方法，其特征在于，对于所述高线激光雷达与所述低线激光雷达的扫描周期不一致的影响因素，则所述根据所述至少一个影响因素中每个影响因素对应的偏差修正方式，对所述低线初始标注结果进行修正处理，得到所述低线标注结果，包括：
根据所述高线激光雷达点云数据和所述低线激光雷达点云数据携带的时间戳信息和速度矢量信息，对所述低线初始标注结果进行修正处理，得到所述低线标注结果。


5.根据权利要求3所述的方法，其特征在于，对于所述高线激光雷达和所述低线激光雷达在使用过程中的震动的影响因素，则所述根据所述至少一个影响因素中每个影响因素对应的偏差修正方式，对所述低线初始标注结果进行修正处理，得到所述低线标注结果，包括：
根据预设的点云匹配算法，对所述低线初始标注结果进行修正处理，得到所述低线标注结果。


6.根据权利要求3所述的方法，其特征在于，对于标定的所述投影转移矩阵存在偏差的影响因素，则所述根据所述至少一个影响因素中每个影响因素对应的偏差修正方式，对所述低线初始标注结果进行修正处理，得到所述低线标注结果，包括：
以所述低线初始标注结果包括的每个低线标注框的中心点为基准，分别扩展每个低线标注框的覆盖区域，得到每个扩展后的低线标注框；
对于每个扩展后的低线标注框，根据所述扩展后的低线标注框包括的低线激光雷达点云数据，对所述扩展后的低线标注框的覆盖区域进行更新，得到更新后的低线标注框；
根据所有更新后的低线标注框更新所述低线初始标注结果，得到所述低线标注结果。


7.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
基于预设的验证策略，对所述低线标注结果包括的标注框进行正确性验证；
若所述低线标注结果包括标注错误的标注框，则对所述标注错误的标注框进行重新处理，得到更新的低线标注结果。


8.根据权利要求2-6任一项所述的方法，其特征在于，在所述根据所述高线激光雷达到所述低线激光雷达的投影转移矩阵，将所述高线检测分类结果映射到所述低线激光雷达点云数据上，得到所述低线激光雷达点云数据的低线初始标注结果之前，所述方法还包括：
对所述高线激光雷达和所述低线激光雷达进行标定，确定所述高线激光雷达到所述低线激光雷达的投影转移矩阵。


9.根据权利要求1-6任一项所述的方法，其特征在于，所述方法还包括：
将携带有所述低线标注结果的所述低线雷达激光点云数据作为低线激光雷达点云标注数据；
将所述低线激光雷达点云标注数据作为障碍物处理模型的训练样本，所述障碍物处理模型用于对获取到的激光点云数据进行障碍物处理操作，所述障碍物处理操作包括：障碍物预测、障碍物分类、障碍物分割。


10.一种数据处理装置，其特征在于，包括：获取模块和处理模块；
所述获取模块，用于获取高线激光雷达进行激光扫描得到的高线激光雷达点云数据和低线激光雷达在同一时刻进行激光扫描得到的低线激光雷达点云数据；
所述处理模块，用于将所述高线激光雷达点云数据对应的高线检测分类结果投影到所述低线激光雷达点云数据上，得到所述低线激光雷达点云数据的低线标注结果。


11.根据...

【专利技术属性】
技术研发人员：陈东明，赵彤彤，张晔，王亮，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：北京;11