基于PointNet网络的船艇尾浪识别与去除方法技术

基于PointNet网络的船艇尾浪识别与去除方法，步骤如下：S1：利用激光雷达实时获取无人艇360

【技术实现步骤摘要】
基于PointNet网络的船艇尾浪识别与去除方法


[0001]本专利技术涉及基于PointNet网络的船艇尾浪识别与去除方法，属于环境感知


技术介绍

[0002]激光雷达作为自动驾驶实现中最重要、必不可少的传感器之一，其重要性不言而喻，比如障碍物检测、道路边缘检测、地图构建等都离不开它。船艇尾浪能够通过反射探测激光从而被激光雷达探测，但尾浪不属于水面障碍物，不会影响船艇的航行路线，因此需要从激光雷达探测的目标中滤除。无人艇自身产生的尾浪可确定位于船艇后方，但其随着船艇航行速度的变化也在实时变化。通过滤除船艇后方一定范围内的点云可以去除无人艇自身产生的尾浪，但滤除范围需要设定为远远大于实际尾浪的固定范围才能保证尾浪的准确滤除，这极大地降低了无人艇在近距离条件下的水面目标探测能力。水面目标船艇产生的尾浪可以提高目标的探测概率和探测距离，但也会提高水面目标船艇的定位误差，从而影响无人艇避障路径的准确规划。无人艇亟需获得基于激光雷达的船艇航行尾浪探测和识别能力，实现尾浪的精准滤除，从而提升激光雷达设备在水面环境下的近距离探测能力和远距离目标的定位能力。

技术实现思路

[0003]本专利技术的技术解决问题是：克服现有技术的不足，提供基于PointNet网络的船艇尾浪识别与去除方法。
[0004]本专利技术的技术解决方案是：
[0005]基于PointNet网络的船艇尾浪识别与去除方法，包括如下步骤：
[0006]S1：将激光雷达设备安置在无人艇顶部无遮挡位置，实时获取无人艇360
°
范围的点云数据；
[0007]S2：对当前点云数据进行基于点云密度统计的去噪处理，去除点云数据中离散的噪声点；
[0008]S3：根据预先设计的容忍距离，对去除噪声点的点云数据进行欧几里得距离聚类，将点云数据分割成若干个独立的点云子集，每个点云子集即为一个可疑目标，统计确定每个可疑目标的目标点云、边界范围、目标中心点、目标半径，得到可疑目标列表；
[0009]S4：构建PointNet深度学习模型，并装载已训练好的权重参数；
[0010]S5：在S3中的各个点云子集中，寻找点云点数和目标半径大于预先指定数据的点云子集，将寻找到的点云子集输入PointNet深度学习模型中进行分类识别；
[0011]S6：若某个点云子集经PointNet深度学习模型识别为尾浪目标，则将其从可疑目标列表中去除；
[0012]S7：判断每个尾浪目标是无人艇自身产生的尾浪还是其它船艇产生的尾浪，若是其它船艇产生的尾浪，确定该尾浪目标对应的水面航行船艇目标，与其它可疑目标共同组
成水面障碍物；
[0013]S8：根据连续帧中水面障碍物的位置变化计算水面障碍物的当前位置、运动速度以及运动方向，并利用卡尔曼滤波优化探测信息和预测障碍物的运动趋势，最后将上述信息作为探测结果发送给无人艇控制平台，辅助实现无人艇的自动驾驶和自主避障。
[0014]所述步骤S2中，对当前点云数据进行去噪处理的步骤如下：
[0015](2.1)设定邻域点数量k，标准差倍数阈值std_mul；
[0016](2.2)计算当前点云数据中每一个点与k个领域点的距离均值d，组成距离向量；
[0017](2.3)距离向量应符合高斯分布，根据距离向量估计整个点云数据中的距离均值μ和标准差σ；
[0018](2.4)计算距离阈值，计算公式为t＝μ+σ
×
std_mul；；
[0019](2.5)如果距离均值d大于距离阈值t，则该激光探测点为离群点，从当前点云数据中滤除。
[0020]所述步骤S3中，所述容忍距离为点云距离聚类的距离阈值，如果两点之间的距离小于容忍距离则认为这两点同属于一个目标，反之则认为这两点同不属于一个目标。
[0021]所述步骤S7的实现方式如下：
[0022]对识别为尾浪目标的每个点云子集，进行如下操作：
[0023]根据点云子集，对尾浪目标的尾浪扇形进行形状拟合，形状拟合后的扇形顶部为引起尾浪的目标船艇位置，若该位置和无人艇自身位置重合，则该尾浪即为无人艇自身产生的尾浪；否则为其它船艇产生的尾浪，该扇形顶部即为一个水面航行船艇目标，与其它可疑目标共同组成水面障碍物。
[0024]根据点云子集对尾浪目标的尾浪扇形进行形状拟合的方法如下：
[0025](5.1)从尾浪点云子集中随机选择三个点A、B、C；
[0026](5.2)以B、C为固定点，从尾浪点云子集中搜索距离B、C点最远的点，并利用该点更新A点的位置；
[0027](5.3)以C、A为固定点，从尾浪点云子集中搜索距离C、A点最远的点，并利用该点更新B点的位置；
[0028](5.4)以A、B为固定点，从尾浪点云子集中搜索距离A、B点最远的点，并利用该点更新C点的位置；
[0029](5.5)重复步骤(5.2)-(5.4)，直至A、B、C三个点的位置不再变化，进入步骤(5.6)；
[0030](5.6)A、B、C三个点组成三角形，计算该三角形三个顶角角A、角B、角C的角度，选择最小角度对应的顶点为圆心，最小角度的1.2倍为扇形角度，该最小角度对应的顶点到其它两点的距离最大值的1.2倍为半径构建扇形形状，该扇形覆盖了所有尾浪点云。
[0031]PointNet深度学习模型的训练过程如下：
[0032](6.1)利用激光雷达设备获取无人艇360
°
范围的点云数据；
[0033](6.2)人工对无人艇点云数据进行尾浪点云标记，尾浪目标标记为1，非尾浪目标标记为0；
[0034](6.3)将无人艇点云数据与标记结果组成PointNet深度学习模型训练数据；
[0035](6.4)对训练数据进行基于点云密度统计的去噪处理；
[0036](6.5)根据预先设计的容忍距离，对(6.4)处理后的训练数据进行欧几里得距离聚
类，将训练数据分割成若干个独立的点云子集；
[0037](6.6)利用训练数据在多GPU服务器上加速训练PointNet深度学习模型。
[0038]与现有技术相比，本专利技术具有如下有益效果：
[0039](1)、本专利技术通过PointNet深度学习模型学习识别点云数据中尾浪点云分布，进而实现了尾浪的精准去除，尾浪呈现扇形的平面分布易于识别，尾浪形状分析结果也可以辅助定位水面目标船艇，提升激光雷达的探测能力。PointNet深度学习模型直接利用点云数据进行学习训练，可以极大的提高尾浪的识别速度，匹配激光雷达的快速扫描能力。无人艇自身尾浪的精准识别去除，可以排除尾浪对近距离水面障碍物的干扰，有效提升无人艇近距离水面目标探测发现能力和适应能力。
[0040](2)本专利技术采用基于点云密度统计的去噪算法优化原始激光雷达数据，滤除激光雷达点云数据的离散噪声点，从而有效保证基于距离聚类的点云分割方法的准确性。
...

【技术保护点】

【技术特征摘要】
1.基于PointNet网络的船艇尾浪识别与去除方法，其特征在于，包括如下步骤：S1：将激光雷达设备安置在无人艇顶部无遮挡位置，实时获取无人艇360
°
范围的点云数据；S2：对当前点云数据进行基于点云密度统计的去噪处理，去除点云数据中离散的噪声点；S3：根据预先设计的容忍距离，对去除噪声点的点云数据进行欧几里得距离聚类，将点云数据分割成若干个独立的点云子集，每个点云子集即为一个可疑目标，统计确定每个可疑目标的目标点云、边界范围、目标中心点、目标半径，得到可疑目标列表；S4：构建PointNet深度学习模型，并装载已训练好的权重参数；S5：在S3中的各个点云子集中，寻找点云点数和目标半径大于预先指定数据的点云子集，将寻找到的点云子集输入PointNet深度学习模型中进行分类识别；S6：若某个点云子集经PointNet深度学习模型识别为尾浪目标，则将其从可疑目标列表中去除；S7：判断每个尾浪目标是无人艇自身产生的尾浪还是其它船艇产生的尾浪，若是其它船艇产生的尾浪，确定该尾浪目标对应的水面航行船艇目标，与其它可疑目标共同组成水面障碍物；S8：根据连续帧中水面障碍物的位置变化计算水面障碍物的当前位置、运动速度以及运动方向，并利用卡尔曼滤波优化探测信息和预测障碍物的运动趋势，最后将上述信息作为探测结果发送给无人艇控制平台，辅助实现无人艇的自动驾驶和自主避障。2.根据权利要求1所述的基于PointNet网络的船艇尾浪识别与去除方法，其特征在于，所述步骤S2中，对当前点云数据进行去噪处理的步骤如下：(2.1)设定邻域点数量k，标准差倍数阈值std_mul；(2.2)计算当前点云数据中每一个点与k个领域点的距离均值d，组成距离向量；(2.3)距离向量应符合高斯分布，根据距离向量估计整个点云数据中的距离均值μ和标准差σ；(2.4)计算距离阈值，计算公式为t=μ+σ
×
std_mul；；(2.5)如果距离均值d大于距离阈值t，则该激光探测点为离群点，从当前点云数据中滤除。3.根据权利要求1所述的基于PointNet网络的船艇尾浪识别与去除方法，其特征在于，所述步骤S3中，所述容忍距离为点云距离聚类的距离阈值，如果两点之间的距离小于容忍距离则认为这两点同属于一个目标，...

【专利技术属性】
技术研发人员：李清洲，刘新新，杨长坤，胡常青，刘柳，
申请(专利权)人：北京航天控制仪器研究所，
类型：发明
国别省市：