动态水雾噪点滤除方法、装置、无人驾驶车辆及存储介质制造方法及图纸

本发明专利技术公开了一种动态水雾噪点滤除方法、装置、无人驾驶车辆及存储介质，该方法包括：构建水汽飞溅距离与车速的关联模型；获取当前帧的车速以及BEV视角下的点云数据，在点云数据中划定飞溅域；基于车速与关联模型得到粗噪点域，并得到粗噪点域包含的粗噪点集；基于欧式聚类提取粗噪点域边界与飞溅域边界之间的噪点，得到聚类噪点集；基于粗噪点集与聚类噪点集得到细噪点集，并基于周边智能体的中心点点集对细噪点集进行距离筛选，得到最终的滤除噪点集并将其从点云数据中滤除。本发明专利技术应用于点云数据处理领域，不仅能够在BEV视角下对动态车辆进行噪点粗筛选与精筛选，实现BEV视角下对动态车辆甩出的水雾进行合理滤除。对动态车辆甩出的水雾进行合理滤除。对动态车辆甩出的水雾进行合理滤除。

【技术实现步骤摘要】
动态水雾噪点滤除方法、装置、无人驾驶车辆及存储介质


[0001]本专利技术涉及点云数据处理
，具体是一种动态水雾噪点滤除方法、装置、无人驾驶车辆及存储介质。

技术介绍

[0002]激光雷达作为新兴的3D传感器，能够从多个方位获得物体信息，从而获得较好的感知结果。BEV(Bird eye
‘
s view)作为雷达的鸟瞰视角，虽然减少了Z轴方向的维度信息，但当下多传感器融合是发展趋势，BEV视角下可以将不同视角、不同时间序列(帧)、不同模态(传感器)的特征信息进行融合，输出更加准确的BEV空间特征，且基于获得的BEV特征实现3D目标检测、车道线检测、地图语义分割等不同的感知任务，不同任务的感知结果可以很自然的应用到自动驾驶的规划控制。
[0003]目前，市面上出现了很多关于激光雷达的噪点滤除方案，例如：
[0004]公开号为CN114581331A的专利提出使用体素化对点云进行分割后，在使用平滑算法对离群点进行修正，但这种方案只适用于3D点云状态下，对BEV视角仍然没有较好的改善，且对动态变化的大面积水雾不能有很好的平滑化；
[0005]公开号为CN108876744A的专利提出使用区域分割方式，对激光雷达和双目相机进行BEV标定，获取大量信息后进行点云拼接后进行归一化。该方案相较于上述三种方案能够较好的应用于点云降噪等复杂环境，不过需要激光雷达和双目相机等多传感器融合，使用设备较多，对标定要求较高，算法难度较高，难以部署。
[0006]综上，目前现有的噪点滤除技术存在以下缺点：针对BEV的噪点滤除方案较少，采用多传感器融合方法的设备较多且算法耗时长导致不能应用于车端，对动态变化的大面积水雾没有良好的解决方案。

技术实现思路

[0007]针对上述现有技术中的不足，本专利技术提供一种动态水雾噪点滤除方法、装置、无人驾驶车辆及存储介质，能够在BEV视角下对动态车辆进行噪点粗筛选与精筛选，实现BEV视角下对动态车辆甩出的水雾进行合理滤除。
[0008]为实现上述目的，本专利技术提供一种动态水雾噪点滤除方法，包括如下步骤：
[0009]步骤1，构建水汽飞溅距离与车速之间的关联模型；
[0010]步骤2，获取当前帧采集的车速以及BEV视角下的点云数据，并基于预设数据在所述点云数据中划定飞溅域；
[0011]步骤3，基于车速与所述关联模型得到当前帧点云数据中的粗噪点域，并得到所述粗噪点域包含的粗噪点集，其中，所述粗噪点域位于所述飞溅域内；
[0012]步骤4，基于欧式聚类提取所述粗噪点域边界与所述飞溅域边界之间的噪点，得到聚类噪点集；
[0013]步骤5，基于所述粗噪点集与所述聚类噪点集得到细噪点集，并基于周边智能体的
中心点点集对所述细噪点集进行距离筛选，得到最终的滤除噪点集并将其从所述点云数据中滤除。
[0014]在其中一个实施例，步骤1中，所述关联模型为：
[0015]X
max
＝P
xmax
·
(k
xmax
·
V
BW
+b
xmax
)+C
x
[0016]X
min
＝P
xmin
·
(k
xmin
·
V
BW
+b
xmin
)
‑
C
x
[0017]Y
max
＝P
ymax
·
(k
ymax
·
V
BW
+b
ymax
)+C
y
[0018]Y
min
＝P
ymin
(k
ymin
·
V
BW
+b
ymin
)
‑
C
y
[0019]其中，X
max
、X
min
分别为粗噪点域在X轴方向上的最大值、最小值，Y
max
、Y
min
分别为粗噪点域在Y轴方向上的最大值、最小值，P
xmax
、P
xmin
、P
ymax
、P
ymin
分别为X
max
、X
min
、Y
max
、Y
min
的预测概率，k
xmax
、k
xmin
、k
ymax
、k
ymin
分别为X
max
、X
min
、Y
max
、Y
min
的拟合函数斜率，b
xmax
、b
xmin
、b
ymax
、b
ymin
分别为X
max
、X
min
、Y
max
、Y
min
的拟合函数截距，V
BW
为车速，C
x
为X轴方向上的浮动常数，C
y
为Y轴方向上的浮动常数，Y轴方向为车速V
BW
的方向。
[0020]在其中一个实施例，所述浮动常数C
x
为：
[0021]C
x
＝|α1·
d
风向
+β1·
d
车重
|
[0022]其中，d
风向
为风力浮动常数，d
车重
为车重浮动常数，α1、β1为权重系数，且α1>β1。
[0023]所述浮动常数C
y
为：
[0024]C
y
＝|β2·
d
风向
+α2·
d
车重
|
[0025]其中，α2、β2为权重系数，且α2>β2。
[0026]在其中一个实施例，在所述预设数据中，所述飞溅域在X轴方向上的最大值、最小值分别为X
max0
、X
min0
，所述飞溅域在Y轴方向上的最大值、最小值分别为Y
max0
、Y
min0
；
[0027]其中，X
max0
≥X
max
，Y
max0
≥Y
max
，X
min0
≤X
min
，Y
min0
≤Y
min0
。
[0028]在其中一个实施例，步骤5中，所述细噪点集为：
[0029]N
细
＝N
粗
+N
...

【技术保护点】

【技术特征摘要】
1.一种动态水雾噪点滤除方法，其特征在于，包括如下步骤：步骤1，构建水汽飞溅距离与车速之间的关联模型；步骤2，获取当前帧采集的车速以及BEV视角下的点云数据，并基于预设数据在所述点云数据中划定飞溅域；步骤3，基于车速与所述关联模型得到当前帧点云数据中的粗噪点域，并得到所述粗噪点域包含的粗噪点集，其中，所述粗噪点域位于所述飞溅域内；步骤4，提取所述粗噪点域边界与所述飞溅域边界之间的噪点，得到聚类噪点集；步骤5，基于所述粗噪点集与所述聚类噪点集得到细噪点集，并基于周边智能体的中心点点集对所述细噪点集进行距离筛选，得到最终的滤除噪点集并将其从所述点云数据中滤除。2.根据权利要求1所述的动态水雾噪点滤除方法，其特征在于，步骤1中，所述关联模型为：X
max
＝P
xmax
·
(k
xmax
·
V
Bw
+b
xmax
)+C
x
X
min
＝P
xmin
·
(k
xmin
·
V
Bw
+b
xmin
)
‑
C
x
Y
max
＝P
ymax
·
(k
ymax
·
V
Bw
+b
ymax
)+C
y
Y
min
＝P
ymin
·
(k
ymin
·
V
BW
+b
ymin
)
‑
C
y
其中，X
max
、X
min
分别为粗噪点域在X轴方向上的最大值、最小值，Y
max
、Y
min
分别为粗噪点域在Y轴方向上的最大值、最小值，P
xmax
、P
xmin
、P
ymax
、P
ymin
分别为X
max
、X
min
、Y
max
、Y
min
的预测概率，k
xmax
、k
xmin
、k
ymax
、k
ymin
分别为X
max
、X
min
、Y
max
、Y
min
的拟合函数斜率，b
xmax
、b
xmin
、b
ymax
、b
ymin
分别为X
max
、X
min
、Y
max
、Y
min
的拟合函数截距，V
BW
为车速，C
x
为X轴方向上的浮动常数，C
y
为Y轴方向上的浮动常数，Y轴方向为车速V
BW
的方向。3.根据权利要求2所述的动态水雾噪点滤除方法，其特征在于，所述浮动常数C
x
为：C
x
＝|α1·
d
风向
+β1·
d
车重

【专利技术属性】
技术研发人员：安向京，李一然，胡庭波，罗辉武，
申请(专利权)人：长沙行深智能科技有限公司，
类型：发明
国别省市：