本公开提供一种障碍物点云数据筛选方法、装置、电子设备及存储介质。该方法应用于无人驾驶设备，即自动驾驶设备或无人车，包括：获取原始数据片段，从原始数据片段中提取与目标区域的位置相对应的障碍物点云簇；根据标注结果得到不同障碍物类别的障碍物点云簇，将障碍物点云簇转换至参考坐标系下；利用障碍物点云簇对分类模型进行训练，并利用训练后的分类模型对目标点云簇进行分类，得到目标点云簇的障碍物类别；计算目标点云簇与每个待筛选点云簇之间的矢量距离，基于矢量距离进行相似性排序，基于排序结果确定与目标点云簇的障碍物类别相同的待筛选点云簇。本公开能够对指定类别的障碍物点云进行自动筛选，提升点云数据的筛选效果和效率。效果和效率。效果和效率。
【技术实现步骤摘要】
障碍物点云数据筛选方法、装置、电子设备及存储介质
[0001]本公开涉及无人驾驶
，尤其涉及一种障碍物点云数据筛选方法、装置、电子设备及存储介质。
技术介绍
[0002]无人驾驶车辆是一种集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，无人驾驶车辆，也称自动驾驶车辆、无人车。自动驾驶的感知算法主要依赖于深度学习，而深度学习算法的性能依赖于大量丰富的标注数据。如果某一类障碍物的检测效果较差，存在漏检或者误检，说明当前的检测算法对该类物体的检测性能较差，需要向训练数据中添加更多的该类数据。因此，在海量数据中找到该类别障碍物的点云数据，是提升无人车感知能力的关键。
[0003]现有技术中，在海量数据中筛选指定类别障碍物的点云数据通常采用以下两种方式，第一种方式是人为筛选，人工通过可视化的方法，挑选出存在指定类别障碍物的点云数据，这种方式不仅费时费力，而且不适用于在海量数据中筛选点云数据的场景；第二种方式是目标检测器筛选，通过已有数据训练目标检测器，从而对新数据中目标障碍物的位置和类别进行检测，但是这种方式依赖于标注数据的丰富性，对点云数量较少的类别检测效果较差，不能达到较好的筛选效果，也降低了筛选效率。
技术实现思路
[0004]有鉴于此，本公开实施例提供了一种障碍物点云数据筛选方法、装置、电子设备及存储介质，以解决现有技术存在的对指定类别障碍物的点云数据筛选耗时长，筛选效果差，筛选效率低的问题。
[0005]本公开实施例的第一方面，提供了一种障碍物点云数据筛选方法，包括：获取由无人车采集到的点云数据组成的原始数据片段，并从预置的地图信息中获取目标区域，从原始数据片段中提取出与目标区域的位置相对应的障碍物点云簇；基于预设的障碍物类别对障碍物点云簇进行标注，根据标注结果得到属于不同障碍物类别的障碍物点云簇，并将不同障碍物类别的障碍物点云簇转换至参考坐标系下；利用参考坐标系下的障碍物点云簇对分类模型进行训练，并利用训练后的分类模型对目标点云簇进行分类，得到目标点云簇对应的障碍物类别；计算目标点云簇与待筛选数据集中每一个待筛选点云簇之间的矢量距离，基于矢量距离对待筛选点云簇进行相似性排序，基于相似性排序的结果确定与目标点云簇的障碍物类别相同的待筛选点云簇。
[0006]本公开实施例的第二方面，提供了一种障碍物点云数据筛选装置，包括：获取模块，被配置为获取由无人车采集到的点云数据组成的原始数据片段，并从预置的地图信息中获取目标区域，从原始数据片段中提取出与目标区域的位置相对应的障碍物点云簇；转换模块，被配置为基于预设的障碍物类别对障碍物点云簇进行标注，根据标注结果得到属于不同障碍物类别的障碍物点云簇，并将不同障碍物类别的障碍物点云簇转换至参考坐标
系下；训练模块，被配置为利用参考坐标系下的障碍物点云簇对分类模型进行训练，并利用训练后的分类模型对目标点云簇进行分类，得到目标点云簇对应的障碍物类别；筛选模块，被配置为计算目标点云簇与待筛选数据集中每一个待筛选点云簇之间的矢量距离，基于矢量距离对待筛选点云簇进行相似性排序，基于相似性排序的结果确定与目标点云簇的障碍物类别相同的待筛选点云簇。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。
[0008]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本公开实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取由无人车采集到的点云数据组成的原始数据片段，并从预置的地图信息中获取目标区域，从原始数据片段中提取出与目标区域的位置相对应的障碍物点云簇；基于预设的障碍物类别对障碍物点云簇进行标注，根据标注结果得到属于不同障碍物类别的障碍物点云簇，并将不同障碍物类别的障碍物点云簇转换至参考坐标系下；利用参考坐标系下的障碍物点云簇对分类模型进行训练，并利用训练后的分类模型对目标点云簇进行分类，得到目标点云簇对应的障碍物类别；计算目标点云簇与待筛选数据集中每一个待筛选点云簇之间的矢量距离，基于矢量距离对待筛选点云簇进行相似性排序，基于相似性排序的结果确定与目标点云簇的障碍物类别相同的待筛选点云簇。本公开实现海量数据中对指定类别障碍物点云数据的自动化筛选，无需人为筛选和判断，降低点云数据筛选的耗时，并且不依赖于标注数据的丰富性，提升点云数据的筛选效果和筛选效率。
附图说明
[0010]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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它的附图。
[0011]图1是本公开实施例提供的障碍物点云数据筛选方法的流程示意图；图2是本公开实施例提供的相似性计算方法的流程示意图；图3是本公开实施例提供的障碍物点云数据筛选装置的结构示意图；图4是本公开实施例提供的电子设备的结构示意图。
具体实施方式
[0012]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0013]如前述内容，无人驾驶车辆，也称自动驾驶车辆、无人车或轮式移动机器人，是融合环境感知、路径规划、状态识别和车辆控制等多元一体的集成化、智能化的新时代技术产物。伴随着无人驾驶技术的快速发展，自动驾驶车辆的应用场景和范围也逐渐扩大，例如包
括无人配送车、无人零售车、无人清扫车、无人巡逻车等等。常规的无人驾驶技术中，通过感知模块采集环境信息、车辆行驶信息、障碍物信息等，将感知模块采集的信息作为决策规划模块的输入，决策规划模块对输入的信息进行分析和处理，并最终为车辆规划出一条满足各种约束条件（如安全性、平顺性、车辆本身的动力学约束等）的轨迹。
[0014]另外，对于无人驾驶运动规划来说，车辆在行驶过程中需要不断地处理周围障碍物，通过安装在自动驾驶车辆上的数据采集装置，比如摄像头、雷达等感知设备，实时获取车辆周边的障碍物信息。对障碍物信息进行处理之后传输给规划模块，由规划模块根据障碍物信息对自动驾驶车辆的行驶路径进行规划。
[0015]近几年，随着自动驾驶受到人们越来越多的关注，但是在实际开发中，自动驾驶仍然面临着各种各样的挑战。比如在自动驾驶的感知
，自动驾驶的感知算法主要依赖于深度学习，而深度学习算法的性能又依赖于大量丰富的标注数据。如果在车辆测试过程中发现对某一类障碍物的检测效果较差，存在漏检或者误检等，说明当前的检测算法对该类物体的检测性能较差，需要向训练数据中添加更多的该类障碍物的点本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种障碍物点云数据筛选方法，其特征在于，包括：获取由无人车采集到的点云数据组成的原始数据片段，并从预置的地图信息中获取目标区域，从所述原始数据片段中提取出与所述目标区域的位置相对应的障碍物点云簇；基于预设的障碍物类别对所述障碍物点云簇进行标注，根据标注结果得到属于不同障碍物类别的障碍物点云簇，并将所述不同障碍物类别的障碍物点云簇转换至参考坐标系下；利用所述参考坐标系下的障碍物点云簇对分类模型进行训练，并利用训练后的分类模型对目标点云簇进行分类，得到所述目标点云簇对应的障碍物类别；计算所述目标点云簇与待筛选数据集中每一个待筛选点云簇之间的矢量距离，基于所述矢量距离对所述待筛选点云簇进行相似性排序，基于所述相似性排序的结果确定与所述目标点云簇的障碍物类别相同的待筛选点云簇。2.根据权利要求1所述的方法，其特征在于，所述获取由无人车采集到的点云数据组成的原始数据片段，并从预置的地图信息中获取目标区域，包括：在所述无人车的运行过程中，利用安装在所述无人车上的激光雷达采集道路环境对应的点云数据，利用所述点云数据生成所述原始数据片段，并从所述地图信息中获取目标区域；其中，所述原始数据片段是由多帧点云数据拼接而成的数据片段，所述目标区域为预设的所述地图信息中的感兴趣区域。3.根据权利要求2所述的方法，其特征在于，所述从所述原始数据片段中提取出与所述目标区域的位置相对应的障碍物点云簇，包括：基于所述地图信息中的感兴趣区域，对所述原始数据片段进行点云检测，得到所述感兴趣区域中的障碍物对应的边界框，并对所述边界框中的点云数据进行提取，得到所述障碍物点云簇；和/或，利用分割方式对所述原始数据片段执行分割操作，得到所述障碍物点云簇。4.根据权利要求1所述的方法，其特征在于，在所述根据标注结果得到属于不同障碍物类别的障碍物点云簇之后，所述方法还包括：对每个所述障碍物点云簇中的点云数量进行判断，将点云数量小于数量阈值的障碍物点云簇进行过滤，保留点云数量大于或等于所述数量阈值的障碍物点云簇，并将过滤后的所述障碍物点云簇转换至参考坐标系下。5.根据权利要求1所述的方法，其特征在于，所述利用所述参考坐标系下的障碍物点云簇对分类模型进行训练，包括：将转换至所述参考坐标系下的障碍物点云簇作为样本，将所述障碍物点云簇标注的障碍物类别作为标签，将所述样本及所述标签组成训练集，利用所述训练集对所述分类模型进行训练，其中，所述分类模型为采用点云目标检测网络所构建的网络模型。6....
【专利技术属性】
技术研发人员：宋红丽，
申请(专利权)人：新石器慧通北京科技有限公司，
类型：发明
国别省市：
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。