点云地图的数据压缩处理方法、装置及雷达制造方法及图纸

本申请实施例涉及雷达技术领域，公开了一种点云地图的数据压缩处理方法、装置及雷达，该点云地图的数据压缩处理方法，包括：获取第一特征点集，其中，第一特征点集包括雷达扫描到的多个第一特征点；获取第二特征点集，其中，第二特征点集包括多个已存储于点云地图的第二特征点；若某一第一特征点的预设距离阈值内存在第二特征点，则合并第一特征点和第二特征点，直至遍历第一特征点集中的每一第一特征点，以生成优化后的点云地图。通过将已存储于点云地图的第二特征点与未存储的第一特征点进行合并，本申请能够减少点云地图存储的特征点的数量，以减少点云地图的空间占用，进而提高雷达的运算速度。高雷达的运算速度。高雷达的运算速度。

【技术实现步骤摘要】
点云地图的数据压缩处理方法、装置及雷达


[0001]本申请实施例涉及雷达
，更具体地，涉及一种点云地图的处理方法、装置及雷达。

技术介绍

[0002]即时定位与地图构建(Simultaneous localization and mapping，SLAM)主要用于解决无人设备，例如：机器人或者无人驾驶车辆在未知环境运动中的定位与地图构建问题。常见的有基于激光的SLAM和基于视觉图像的SLAM。其中，基于激光的SLAM是以激光数据作为数据输入的SLAM方案。特征点，又称关键点、兴趣点，其定义为二维图像、三维曲面或者三维点云中，相对于原始数据具有不变性、代表性的点集，并且可以通过固定的检测原则对其进行提取的点。
[0003]在雷达对室内进行构图的过程中，算法需要保存当前环境中被扫描到的所有特征点到世界地图中。在进行位姿估计时，算法会从世界地图中获取当前位置的指定范围的特征点作为本地地图，再使用本地地图制作评估表，进行快速匹配，实现位姿匹配运算。
[0004]目前，由于雷达扫描精度的提升，雷达每次扫描均能产生数量较多的特征点，加上扫描频率的提高，导致特征点的数量庞大，进而降低雷达的运算速度。
[0005]申请人在实现本申请的过程中，发现现有技术至少存在以下技术问题：特征点的数量庞大，导致冗余的计算量，降低雷达的运算速度。

技术实现思路

[0006]本申请实施例提供一种点云地图的数据压缩处理方法、装置及雷达，能够减少点云地图存储的特征点的数量，以减少点云地图的空间占用，进而提高雷达的运算速度。
[0007]第一方面，本申请实施例提供一种点云地图的数据压缩处理方法，所述方法包括：
[0008]获取第一特征点集，其中，所述第一特征点集包括雷达扫描到的多个第一特征点；
[0009]获取第二特征点集，其中，所述第二特征点集包括多个已存储于点云地图的第二特征点；
[0010]若某一第一特征点的预设距离阈值内存在第二特征点，则合并所述第一特征点和所述第二特征点，直至遍历所述第一特征点集中的每一第一特征点，以生成优化后的点云地图。
[0011]在一些实施例中，
[0012]所述获取第一特征点集，包括：
[0013]获取所述第一特征点集中的每一第一特征点的第一特征点信息，其中，所述第一特征点信息包括第一特征点的横坐标值、纵坐标值；
[0014]所述获取第二特征点集，包括：
[0015]获取所述第二特征点集中的每一第二特征点的第二特征点信息，其中，所述第二特征点信息包括第二特征点的横坐标值、纵坐标值以及第一特征点和第二特征点的合并次
数。
[0016]在一些实施例中，所述方法还包括：
[0017]基于预设的面积大小，将所述点云地图进行分区，确定多个点云区域；
[0018]根据所述第一特征点的横坐标值、纵坐标值，确定所述第一特征点对应的点云区域；
[0019]判断所述第一特征点在所述点云区域内的预设距离阈值内是否存在第二特征点。
[0020]在一些实施例中，所述合并所述第一特征点和所述第二特征点，包括：
[0021]根据所述第一特征点的横坐标值、纵坐标值和所述第二特征点的横坐标值、纵坐标值，结合所述第一特征点和第二特征点的合并次数，更新所述第二特征点的第二特征点信息。
[0022]在一些实施例中，所述根据所述第一特征点的横坐标值、纵坐标值和所述第二特征点的横坐标值、纵坐标值，结合所述第一特征点和第二特征点的合并次数，更新所述第二特征点的第二特征点信息，包括：
[0023]假设第一特征点为N点，第二特征点为P点，则更新后的第二特征点信息为：
[0024]P.X＝((P.X*P.T)+N.X)/(P.T+1)
[0025]P.Y＝((P.Y*P.T)+N.Y)/(P.T+1)
[0026]P.T＝P.T+1
[0027]其中，P.X为P点的横坐标，P.Y为P点的纵坐标，P.T为P点的合并次数，N.X为N点的横坐标，N.Y为N点的纵坐标。
[0028]在一些实施例中，所述方法还包括：
[0029]若某一第一特征点的预设距离阈值内不存在第二特征点，则将所述第一特征点直接加入所述第二特征点集，并设置该第一特征点的合并次数为初始值，其中，所述初始值为1。
[0030]在一些实施例中，在遍历所述第一特征点集中的每一第一特征点，以生成优化后的点云地图之后，所述方法还包括：
[0031]提取所述第二特征点集中合并次数大于预设次数阈值的第二特征点进行显示。
[0032]在一些实施例中，所述第一特征点集为世界坐标点集，所述第二特征点集为世界地图点集。
[0033]第二方面，本申请实施例提供一种点云地图的数据压缩处理装置，所述装置包括：
[0034]第一特征点集单元，用于获取第一特征点集，其中，所述第一特征点集包括雷达扫描到的多个第一特征点；
[0035]第二特征点集单元，用于获取第二特征点集，其中，所述第二特征点集包括多个已存储于点云地图的第二特征点；
[0036]特征点合并单元，用于若某一第一特征点的预设距离阈值内存在第二特征点，则合并所述第一特征点和所述第二特征点，直至遍历所述第一特征点集中的每一第一特征点，以生成优化后的点云地图。
[0037]第三方面，本申请实施例提供一种雷达，包括：
[0038]至少一个处理器；以及，
[0039]与所述至少一个处理器通信连接的存储器；其中，
[0040]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如第一方面所述的点云地图的数据压缩处理方法。
[0041]第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的点云地图的数据压缩处理方法。
[0042]在本申请实施例中，公开了一种点云地图的数据压缩处理方法、装置及雷达，所述方法包括：获取第一特征点集，其中，所述第一特征点集包括雷达扫描到的多个第一特征点；获取第二特征点集，其中，所述第二特征点集包括多个已存储于点云地图的第二特征点；若某一第一特征点的预设距离阈值内存在第二特征点，则合并所述第一特征点和所述第二特征点，直至遍历所述第一特征点集中的每一第一特征点，以生成优化后的点云地图。通过将已存储于点云地图的第二特征点与未存储的第一特征点进行合并，本申请能够减少点云地图存储的特征点的数量，以减少点云地图的空间占用，进而提高雷达的运算速度。
附图说明
[0043]一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
[0044]图1是现有的SLAM地图构建的数据处理的流程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云地图的数据压缩处理方法，其特征在于，所述方法包括：获取第一特征点集，其中，所述第一特征点集包括雷达扫描到的多个第一特征点；获取第二特征点集，其中，所述第二特征点集包括多个已存储于点云地图的第二特征点；若某一第一特征点的预设距离阈值内存在第二特征点，则合并所述第一特征点和所述第二特征点，直至遍历所述第一特征点集中的每一第一特征点，以生成优化后的点云地图。2.根据权利要求1所述的方法，其特征在于，所述获取第一特征点集，包括：获取所述第一特征点集中的每一第一特征点的第一特征点信息，其中，所述第一特征点信息包括第一特征点的横坐标值、纵坐标值；所述获取第二特征点集，包括：获取所述第二特征点集中的每一第二特征点的第二特征点信息，其中，所述第二特征点信息包括第二特征点的横坐标值、纵坐标值以及第一特征点和第二特征点的合并次数。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于预设的面积大小，将所述点云地图进行分区，确定多个点云区域；根据所述第一特征点的横坐标值、纵坐标值，确定所述第一特征点对应的点云区域；判断所述第一特征点在所述点云区域内的预设距离阈值内是否存在第二特征点。4.根据权利要求2所述的方法，其特征在于，所述合并所述第一特征点和所述第二特征点，包括：根据所述第一特征点的横坐标值、纵坐标值和所述第二特征点的横坐标值、纵坐标值，结合所述第一特征点和第二特征点的合并次数，更新所述第二特征点的第二特征点信息。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一特征点的横坐标值、纵坐标值和所述第二特征点的横坐标值、纵坐标值，结合所述第一特征点和第二特征点的合并次数，更新所述第二特征点的第二特征点信息，包括：假设第一特征点为N点，第二特征点为P点，则更新后的第二特征点信息为：P.X＝((P.X...

【专利技术属性】
技术研发人员：李春君，韩洋，
申请(专利权)人：深圳绿米联创科技有限公司，
类型：发明
国别省市：