一种点云耦合方法及ASIC专用处理器技术

本申请提供一种点云耦合方法及ASIC专用处理器，该方法包括：获取摄像头拍摄的目标物的摄像头点云数据和激光传感器拍摄的目标物的激光点云数据；将摄像头点云数据根据视觉补完算法确定的旋转矩阵及位移向量旋转和平移，得到变换后摄像头点云数据；将变换后摄像头点云数据和激光点云数据进行点云耦合。该方案具有多线程、多步骤式运算的特点，可实现无人驾驶汽车在行驶过程中对其所处环境及周边障碍物精准、快速识别目标物。快速识别目标物。快速识别目标物。

【技术实现步骤摘要】
一种点云耦合方法及ASIC专用处理器


[0001]本专利技术属于视觉
，特别涉及一种点云耦合方法及ASIC专用处理器。

技术介绍

[0002]美国特斯拉公司于2015年10月推出了基于视觉感知技术的自动驾驶辅助系统Autopilot，该系统通过环绕车身的8个摄像头所感知图像信息利用神经网络对车身所处的环境及障碍物做出判断,实现车辆在车道内自动辅助转向、自动辅助加速和自动辅助制动的功能。然而，仅通过摄像头进行机器人视觉感知存在安全隐患，自2016年起发生多起处于自动驾驶中的特斯拉轿车与白色货车车厢相撞事故。
[0003]快速视觉感知是移动机器人的重点研究方向之一，Jost等人提出了一种ICP算法的加速方法，依靠数据中的距离关系在最近点所建立的局部子集中对目标进行搜索，在点云匹配计算中从粗略搜索至精细搜索来达到最终的匹配目的。
[0004]现有快速感知方法多以牺牲运算结果精准度与可靠性来实现快速运算的目的。

技术实现思路

[0005]本说明书实施例的目的是提供一种点云耦合方法及ASIC专用处理器。
[0006]为解决上述技术问题，本申请实施例通过以下方式实现的：
[0007]第一方面，本申请提供一种点云耦合方法，该方法包括：
[0008]获取摄像头拍摄的目标物的摄像头点云数据和激光传感器拍摄的目标物的激光点云数据；
[0009]将摄像头点云数据根据视觉补完算法确定的旋转矩阵及位移向量旋转和平移，得到变换后摄像头点云数据；
[0010]将变换后摄像头点云数据和激光点云数据进行点云耦合。
[0011]在其中一个实施例中，根据视觉补完算法确定旋转矩阵及位移向量，包括：
[0012]第一点云数据和第二点云数据的耦合关系为：
[0013][0014]其中，n为第一点云数据和第二点云数据中点云的数量，p
i
与p'
i
分别代表第一点云数据和第二点云数据中的第i个点；R为旋转矩阵，t为位移向量；
[0015]第一点云数据和第二点云数据去质心坐标后：
[0016][0017]其中，q
i
及q'
i
分别为第一点云数据和第二点云数据的质心；
[0018]反复迭代上式，直至耦合关系中的计算结果小于预设阈值，将此时得到的R
*
作为旋转矩阵；
[0019]根据旋转矩阵通过下式计算位移向量：
[0020]t＝p
‑
Rp'；
[0021]其中，p为第一点云矩阵，p'为第二点云矩阵。
[0022]在其中一个实施例中，该方法还包括：利用深度偏差补完目标物的视觉感知数据。
[0023]在其中一个实施例中，利用深度偏差补完目标物的视觉感知数据，包括：
[0024]获取目标物的初始坐标；
[0025]根据摄像头与激光传感器在同一时间点对目标物距离的感知，确定摄像头与激光传感器之间的深度偏差；
[0026]根据目标物的初始坐标及深度偏差，确定目标物的视觉感知数据。
[0027]在其中一个实施例中，该方法还包括：每达到预设时长，对摄像头及激光传感器与同一计时器的时间进行校准，并把摄像头及激光传感器的时间偏移控制在容错范围内。
[0028]第二方面，本申请提供一种适用于第一方面的点云耦合方法的ASIC专用处理器，该ASIC专用处理器包括软件部分；
[0029]软件部分的设计包括：
[0030]将点云耦合方法中的关系式展开；
[0031]采用硬件描述语言编写展开式；展开式利用多个蝶形运算单元进行多线程运算。
[0032]在其中一个实施例中，ASIC专用处理器包括硬件部分；
[0033]硬件部分的设计包括：
[0034]确定系统中所占用逻辑资源及存储资源的数据；
[0035]根据数据选取CPLD芯片。
[0036]在其中一个实施例中，CPLD芯片为多个。
[0037]由以上本说明书实施例提供的技术方案可见，该方案：具有多线程、多步骤式运算的特点，可实现无人驾驶汽车在行驶过程中对其所处环境及周边障碍物精准、快速识别目标物。
附图说明
[0038]为了更清楚地说明本说明书实施例或现有技术中的技术方案，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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0039]图1为本申请提供的点云耦合方法的流程示意图；
[0040]图2为本申请提供的异构传感器的结构示意图；
[0041]图3为本申请提供的异构传感器时间校准示意图；
[0042]图4为本申请提供的点云耦合过程示意图；
[0043]图5为本申请提供的视觉补完过程示意图；
[0044]图6为本申请提供的流水线化多线程乘加单元示意图；
[0045]图7为本申请提供的ASIC专用处理器设计流程示意图。
具体实施方式
[0046]为了使本
的人员更好地理解本说明书中的技术方案，下面将结合本说明
书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本说明书保护的范围。
[0047]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，以便透彻理解本申请实施例。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申请。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申请的描述。
[0048]在不背离本申请的范围或精神的情况下，可对本申请说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本申请的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。
[0049]关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。
[0050]本申请中的“份”如无特别说明，均按质量份计。
[0051]下面结合附图和实施例对本专利技术进一步详细说明。
[0052]参照图1，其示出了适用于本申请实施例提供的点云耦合方法的流程示意图。该方法可以应用于物流机器人导航、无人驾驶等领域，提高目标障碍物识别效率。该方法通过ASCI(Application Specific Integrated Circuit，专用集成电路)专用处理器执行。该ASCI专用处理器底层结构将算法拆分成符合硬件设计的专业处理逻辑。
[0053]如图1所示，点云耦本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云耦合方法，其特征在于，所述方法包括：获取摄像头拍摄的目标物的摄像头点云数据和激光传感器拍摄的所述目标物的激光点云数据；将所述摄像头点云数据根据视觉补完算法确定的旋转矩阵及位移向量旋转和平移，得到变换后摄像头点云数据；将所述变换后摄像头点云数据和所述激光点云数据进行点云耦合。2.根据权利要求1所述的方法，其特征在于，根据所述视觉补完算法确定所述旋转矩阵及所述位移向量，包括：第一点云数据和第二点云数据的耦合关系为：其中，n为第一点云数据和第二点云数据中点云的数量，p
i
与p'
i
分别代表第一点云数据和第二点云数据中的第i个点；R为旋转矩阵，t为位移向量；第一点云数据和第二点云数据去质心坐标后：其中，q
i
及q'
i
分别为第一点云数据和第二点云数据的质心；反复迭代上式，直至耦合关系中的计算结果小于预设阈值，将此时得到的R
*
作为旋转矩阵；根据旋转矩阵通过下式计算位移向量：t＝p
‑
Rp'；其中，p为第一点云矩阵，p'为第二点云矩阵。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：利用深度偏差补完所述目标物的视觉感知数据。...

【专利技术属性】
技术研发人员：赛高乐，欧勇盛，段圣宇，江国来，朱赤，徐升，冯伟，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：