【技术实现步骤摘要】
用于无人驾驶的三维激光雷达点云高效K-最近邻搜索算法
本专利技术涉及一种用于无人驾驶中三维激光雷达点云的高效FPGA实现的K-最近邻搜索算法。
技术介绍
K-最近邻搜索算法即在一个给定的数据集中，搜索距离某些给定数据最近的K个数据。可以用欧氏距离或者曼哈顿距离等来表示远近。一般的K-最近邻搜索算法有两个过程，建立搜索数据结构以及搜索K-最近邻。K-最近邻搜索被广泛的应用于计算机视觉，人工智能以及同时建图与定位等算法中。在无人驾驶领域中，海量的点云数据不均匀地分布在车身周围广阔的空间中，这让当前最先进的K-最近邻搜索算法难以有效处理。而智能车对电池使用的严格约束，也对K-最近邻搜索算法的实现提出了能耗方面的要求。为了高效的实现大规模三维点云的K-最近邻搜索，相关专家首先在算法层次做优化。KD-Tree(参考文献【1】：D.WehrandR.Radkowski,“Parallelkd-treeconstructiononthegpuwithanadaptivesplitandsortstrategy,”Internati...
【技术保护点】
1.一种用于无人驾驶的三维激光雷达点云高效K-最近邻搜索算法，其特征在于，包括以下步骤：/n步骤1、计算一个无序点云数据集的轴对齐边界框；/n步骤2、根据用户设定的期望半径R将上一步获得的轴对称边界框划分成S个三维立体空间体，每个三维立体空间体定义为一个体素，每个体素的棱长为R
【技术特征摘要】
1.一种用于无人驾驶的三维激光雷达点云高效K-最近邻搜索算法，其特征在于，包括以下步骤：
步骤1、计算一个无序点云数据集的轴对齐边界框；
步骤2、根据用户设定的期望半径R将上一步获得的轴对称边界框划分成S个三维立体空间体，每个三维立体空间体定义为一个体素，每个体素的棱长为Rre，Rre≥R；
步骤3、遍历步骤1中无序点云数据集中的每个点云数据，计算每个点云数据所属的具体体素以及每个体素所包含的点云数据的数量；
步骤4、依据每个体素所包含的点云数据的数量，将相应的体素进一步划分为多个子体素，设第i个体素中包含Ni个点云数据，i＝1,2,....,I，若Ni>T，T为预先设定的阈值，则将第i个体素划分为J个子体素，且保证式中，Nj表示第j个子体素包含的点云数据的数量；A为由用户调节或由场景动态调节的参数；
步骤5、通过步骤1至步骤4将无序点云数据集分割成了一系列的体素和子体素，这一系列的体素和子体素构成了DSVS数据结构；
步骤6、基于DSVS数据结构，利用K-最近邻搜索算法对某个搜索点进行搜索，获得当前搜索点在期望半径R内的K-最近邻个点云数据，包括以下步骤：
步骤601、计算得到搜索点所属的体素，将该体素定义为当前体素；
步骤602、计算搜索点与当前体素相邻的各体素和/或子体素的距离，由距离在一定范围内的相邻的各体素和/或子体素以及当前体素组成搜索域；
步骤603、遍历搜索域中的各点云数据，计算获得各点云数据中与搜索点最邻近的K个点云数据。
2.如权利要求1所述的一种用于无人驾驶的三维激光雷达点云高效K-最近邻搜索算法，其特征在于，步骤2中，划分所述三维立体空间体还考虑内存限制，内存限制指的是：若依据所述期望半径R获得的所述体素数目大于内存所允许的最大数目M，则进行轴对称边界框划分...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。