CN113379915A - 一种基于点云融合的行车场景构建方法 - Google Patents

Abstract

本发明公开了一种基于点云融合的行车场景构建方法，该方法主要采用同步定位与地图构建技术地图构建方案；首先，对点云数据做畸变补偿和传感器时间对齐后再将数据发布，进行前端里程估计；前端里程估计节点接受点云数据后将对其进行点云匹配并生成初步的激光里程计估计值；接着再对估计值进行闭环检测，若检测形成闭环则将信息传递至后端进行后端算法优化；后端算法优化得到预估值节点的位姿信息和路标构成图的顶点集，并将生成的优化后激光里程计数据发布展示。本方法在保证建图实时性的同时极大提高建图的精度，可以快速实现场景中的定位和高精度地图的构建，克服了传统的纯激光里程计建图误差大、实时性不强的缺陷。

Description

一种基于点云融合的行车场景构建方法

技术领域

本发明涉及地图实时构建领域，具体涉及一种基于点云融合的行车场景构建方法。

背景技术

近年来，随着汽车保有量的不断增长，许多城市的道路承载能力已达到满负荷。交通安全、出行效率、节能减排日益突出，推动车辆的智能化和网络化通常将是解决上述交通问题的重要解决方案。在车辆智能化与网络化的发展进程中，行车场景的三维地图重构是关键技术问题之一。

随着时代的进步，同步定位与地图构建技术使用的传感器正不断迭代发展，将激光雷达与惯性测量单元等传感器的融合的方法更受欢迎。同步定位与地图构建技术从一开始基于卡尔曼滤波器或者贝叶斯滤波器的方法向基于图优化的方法转变。该方法相比GPS定位精度具有更高精度，解决具体车道线场景细节难以准确定位的问题，同时支持隧道、山洞等特殊场景的定位与地图构建。

现有技术中的一些非线性优化方法进行地图构建，通过非线性最小二乘法来减少构图过程中的累积误差，但忽略了***的稀疏性，且其使用的离线建图方式在行车场景构建中不能满足实时性的要求。

另外的一些现有技术中，通过在前端估计的数据关联环节引入高斯-牛顿迭代法的方式，同时采用激光雷达扫描数据直接与地图进行匹配的方法完成点云帧之间的配对，但该方法缺少后端优化和闭环检测，对配准初始值比较敏感，导致整体精度不高。

发明内容

本发明的目的是提供一种基于点云融合的行车场景构建方法，用于解决传统地图构建方法算力不足、单设备重复构建的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于点云融合的行车场景构建方法，包括以下步骤：

步骤1，对车载激光雷达在汽车运动过程中扫描收集的点云数据进行畸变补偿；

步骤2，将畸变补偿后的点云数据进行传感器时间对齐，使点云数据在进行畸变补偿的同时，对同一时间下的里程计数据进行线性插值计算，使里程计数据向点云数据对齐时间，得到实现传感器对齐的机器人的位置姿态作为前端里程估计的初始预测位置姿态；

步骤3，创建一个任务队列用来存放点云数据，并生成一个局部地图；任务队列中每***一帧点云数据时，输入该点云数据对应的机器人的初始预测位置姿态，与局部地图进行点云匹配，对点云数据进行正态分布变换，得到目标点云的所有单位体素，代入高斯概率模型，寻找到局部地图上与初始预测位置姿态最近似的点，得到前端里程估计的位姿预估值；

步骤4，采用基于点云的场景识别方式，将前端里程估计创建的任务队列中的点云数据用scan Context特征图进行描述；定义scan Context特征图之间的距离计算公式；从scan Context特征图中提取描述符环，将其表示为一个多维向量以进行KD树的构建，获得当前场景的环的最相似区域，从中选取和当前场景的环最相似的历史环对应的scancontext作为候选场景的scan context；计算任务队列中的点云数据的scan Context和候选场景的scan context之间的距离，满足阈值的候选场景则被认为是闭环，则将所述位姿预估值进行后端优化；

步骤5，将机器人不同时刻通过前端里程估计得到的位姿预估值抽象定义为节点，机器人在不同位置上的观测所产生的约束被抽象为节点之间的边，节点的位姿信息和路标构成图的顶点集，用边来表示观测数据的约束；

定义误差函数为两个节点之间的虚拟测量值的均值与期望的虚拟测量值的差值；通过高斯牛顿法对误差函数进行迭代求最优解，将求得的最优解叠加到初始预测位置姿态得到新的位姿预估值，将新的位姿预估值作为下一轮迭代的初始预测位置姿态，继续迭代直至位姿预估值误差最小；

步骤1-步骤5在边缘设备中进行，构建出局部地图后再上传到云服务器进行全局地图拼接，最后再将拼接好的地图回传到边缘设备供车辆进行定位操作。

进一步地，所述点云数据进行畸变补偿，包括：

根据读取点云帧的首尾数据计算点云帧夹角，得到点云帧采样的实际时间；

利用读取进来的惯性测量单元信息获取车辆角速度和线速度。用角速度乘以时间得到车辆旋转角度；用线速度乘以时间得到车辆偏移位移，生成旋转偏移矩阵；

将原始点云数据矩阵乘上旋转偏移矩阵，得到畸变补偿后的点云数据。

进一步地，所述实现传感器对齐的机器人的位置姿态的计算公式为：

其中，X(t_n)代表t_n点的机器人的位置姿态，X(t_o1)、X(t_o2)分别是t_o1、t_o2时刻的里程计数据。

进一步地，当***一帧点云数据计算所得位姿预估值与其上一帧的位姿预估值的距离没有超出预设的阈值时，结束步骤3。

进一步地，点云数据的任何区域可通过环和扇形唯一索引，将点云数据用二维形式表示即得到scan Context特征图；

记两个点云的scan context特征图为I^q和I^c，定义scan Context特征图之间的距离计算公式如下：

其中，N_s为扇形(sector)的数量，

分别为利用误差函数对I^q和I^c的求解结果；

对于存在同一位置但是不同时间访问的两个scan context特征图的情况，所有可能出现列平移的scan contexts特征图的列向量之和并找到最小值作为最终的距离，列平移的最佳匹配关系n^*定义为：

最小距离定义为：

其中，N_s代表点云中的扇形数量，n代表的就是其中的一个扇形，N_r代表点云数据中的环数量。

进一步地，利用公式(2)计算计算任务队列中的点云数据的scan Context和候选场景的scan context之间的距离，满足阈值的候选场景则被认为是闭环：

其中，

表示候选场景的scan context，I^q表示任务队列中点云数据的的 scancontext，D是运用公式(4)计算出的I^q，

间的最小距离，τ是设定的判断两个场景是否相似的距离阈值，c^*是最终检测出来的和当前场景一致的历史场景。

进一步地，误差函数的定义e_ij(x_i，x_j)为：

其中，x_i表示节点i的位姿，z_ij和表示节点i和节点j之间虚拟测量值的均值，

代表期望的虚拟测量值，误差e_ij(x_i，x_j)取决于期望测量值与实际测量值之差；

将误差函数简化为F(x)：

x^*＝argmin F(x) (8)

其中，x^*为误差函数定义式(6)的对应特殊解，即使位姿预估值误差最小的值；

为误差e_ij的转置，C为约束，C＝{<e_ij，Ω_ij>}，Ω_ij表示节点i和节点j之间虚拟测量值的信息矩阵。

进一步地，所述通过高斯牛顿法对误差函数进行迭代求最优解，包括：

设初始点为

给它一个(Δx_i，Δx_j)的增量，对误差函数进行一阶 Taylor展开：

其中，Δx表示微分，代表函数

在初始预测位置姿态

处的变化量；J_ij为误差函数对

计算的雅可比矩阵，对于节点i和节点j之间的边的目标函数项有：

所有节点之间的边的目标函数项有：

其中，c＝∑c_ij，b＝∑b_ij，H＝∑H_ij，Δx^T、b^T分别为Δx、b的转置，∑_<i，j>∈C表示对函数

在约束条件<i，j>∈C下的所有取值进行求和，

中的i，j取值在约束范围C内，C为约束；

目标是找到Δx，令

有：

求解得到最优解Δx。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，处理器执行计算机程序时实现基于点云融合的行车场景构建方法的步骤。

一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现基于点云融合的行车场景构建方法的步骤。

与现有技术相比，本发明具有以下技术特点：

1.本方法创新性提出并运用一种点云融合的SLAM地图构建方法，该方法通过融合惯性测量单元(惯性传感器)IMU/GPS传感器数据，并结合点云数据畸变补偿、传感器时间对齐、图优化和闭环检测等优化手段，在保证建图实时性的同时极大提高建图的精度，可以快速实现场景中的定位和高精度地图的构建，克服了传统的纯激光里程计建图误差大、实时性不强的缺陷。

2.本方法设计了基于边缘协同的地图构建定位方法，运用云端下发边缘设备，由边缘设备构建子地图再上传至云端进行拼接组合的方法，充分利用了边缘的算力，提高资源利用率，同时减少了单车辆的地图重复构建工作，降低工作冗余度且减轻边缘设备负载，解决了传统地图构建方法因算力不足导致的耗时长、精度低问题。

附图说明

图1为本发明方法的流程框架图；

图2为对点云数据进行畸变补偿的流程示意图；

图3为前端估计里程实现流程图；

图4为闭环检测流程示意图；

图5为传感器时间对齐的示意图。

具体实施方式

本发明提供了一种基于点云融合的行车场景构建方法，该方法主要采用同步定位与地图构建技术地图构建方案。首先，对点云数据做畸变补偿和传感器时间对齐后再将数据发布，进行前端里程估计；前端里程估计节点接受点云数据后将对其进行点云匹配并生成初步的激光里程计估计值；接着再对估计值进行闭环检测，若检测形成闭环则将信息传递至后端进行后端算法优化；后端算法优化得到预估值节点的位姿信息和路标构成图的顶点集，并将生成的优化后激光里程计数据发布展示。

参见附图，本发明的一种基于点云融合的行车场景构建方法，具体实现步骤如下：

步骤1，点云数据畸变补偿

车载的激光雷达在汽车运动的过程扫描收集点云数据，但由于激光点的坐标系不断变化，因此采集到的点云数据存在畸变现象，需要进行畸变补偿。

a.根据读取点云帧的首尾数据计算点云帧夹角，得到点云帧采样的实际时间；

b.利用读取进来的惯性测量单元信息获取车辆角速度和线速度。用角速度乘以时间得到车辆旋转角度；用线速度乘以时间得到车辆偏移位移，生成旋转偏移矩阵；

c.将原始点云数据矩阵乘上旋转偏移矩阵，得到畸变补偿后的点云数据。

步骤2，传感器时间对齐

将畸变补偿后的点云数据进行传感器时间对齐。该方法通过对线性的里程计数据进行线性插值计算消除采样率差异带来的影响，使激光雷达扫描获取点云数据时，机器人的位置姿态实现传感器对齐。具体计算公式如下所示：

其中，X(t_n)代表t_n点的机器人的位置姿态，X(t_o1)、X(t_o2)分别是t_o1、t_o2时刻的里程计数据。该步骤计算所得的位置姿态将作为步骤3前端里程估计的初始预测位置姿态。

使点云数据在进行畸变补偿的同时，对同一时间下的传感器收集的线性的里程计数据进行线性插值计算，使里程计数据向点云数据对齐时间，就完成了传感器时间对齐，得到的位置姿态X(t_n)消除了采样率差异带来的影响。

步骤3，前端里程估计

创建一个任务队列用来存放经步骤1、2处理后的点云数据，并生成一个局部地图。队列中每***一帧点云数据时，输入该点云数据对应的机器人的初始预测位置姿态，与局部地图进行点云匹配；点云匹配即对点云数据进行正态分布变换，得到目标点云的所有单位体素，代入高斯概率模型，寻找到局部地图上与初始预测位置姿态最近似的点，得到前端里程估计的位姿预估值，用于更新一次局部地图。当***一帧点云数据计算所得位姿预估值与其上一帧的位姿预估值的距离没有超出预设的阈值时，结束该步骤。

步骤4，闭环检测

上述过程得到的位姿预估值将通过闭环检测确定机器人是否已返回到先前位置，避免步骤(3)位姿预估值错误导致错误逐帧向下传递产生累积误差。

步骤4.1，采用基于点云的场景识别方式，将前端里程估计创建的任务队列中的点云数据用scan Context特征图(基于非直方图的全局描述符)进行描述。

由于点云的任何区域都可以由ring(环)和sector(扇形)唯一索引，把点云数据用二维形式表示就得到scan Context特征图，也就是得到一个二维特征图，该特征图就是用于表示这个索引关系的。

记两个点云的scan context特征图为I^q和I^c，定义scan Context特征图之间的距离计算公式如下：

其中，N_s为扇形(sector)的数量，

分别为利用误差函数对I^q和I^c的求解结果，参见式(6)至式(8)。

对于存在同一位置但是不同时间访问的两个scan context特征图的情况，本方法可计算所有可能出现列平移的scan contexts特征图的列向量之和并找到最小值作为最终的距离，列平移的最佳匹配关系n^*定义为：

最小距离定义为：

本方案中，N_s代表点云中的sector数量，n代表的就是其中的一个扇形， N_r代表点云数据中的ring数量。

点云数据可以被分成很多个扇形，取不同的扇形进行距离计算得出的结果会有所不同，上述公式的目的是计算出两个scan context间的最小距离，也就是两个点云的间距可以距离最近的两个对应扇形间的距离来表示。

步骤4.2，从scan context特征图中提取对于旋转不敏感的描述符环ring，将其表示为一个N_r维的向量k用于KD树(k-维树)的构建，获得当前场景的 ring的最相似区域，从中选取和当前场景的ring最相似的若干历史ring对应的 scan context作为候选场景的scan context。

其中，每个scan context代表的都是一帧点云数据，每帧点云数据都是通过激光扫描实际场景得出的，因此每个scan context都对应着一个实际场景，若两个场景对应的scan context距离足够小，可以认为这两个场景基本一致。候选场景即为候选scancontext对应的场景。

由于点云数据一帧一帧输入的，故定义在当前帧之前输入的点云数据对应的scancontext为历史场景。闭环检测是通过比对当前场景和历史场景的相似性判断机器人是否返回到了先前位置，即判断地图是否形成闭环。

步骤4.3，使用公式(2)计算步骤4.1中任务队列的点云数据的scan Context 和步骤4.2中获取的候选场景的scan context之间的距离，满足阈值的候选场景则被认为是闭环：

其中，

表示候选场景的scan context，I^q表示任务队列中点云数据的的 scancontext，D是运用公式(4)计算出的I^q，

间的最小距离，τ是设定的判断两个场景是否相似的距离阈值，c^*是最终检测出来的和当前场景一致的历史场景。

通过公式5可以进行判断，若相似度足够高，即小于距离阈值时，则认为形成闭环，即步骤3获取的位姿预估值不存在误差，信息可传递给后端进行优化。否则返回步骤3。

步骤5，后端算法优化

后端算法优化主要为图优化，本方法将机器人不同时刻通过前端里程估计得到的位姿预估值抽象定义为节点，机器人在不同位置上的观测所产生的约束被抽象为节点之间的边，节点的位姿信息和路标构成图的顶点集；在图优化中我们用边来表示这些观测数据的约束，也可以将边看成是一种“虚拟测量值”。

误差函数的定义e_ij(x_i，x_j)为：

其中，x_i表示节点i的位姿，z_ij和表示节点i和节点j之间虚拟测量值的均值，

代表期望的虚拟测量值，误差e_ij(x_i，x_j)取决于期望测量值与实际测量值之差。

将误差函数简化为F(x)：

x^*＝argmin F(x) (8)

其中，x^*为误差函数定义式(6)的对应特殊解，即使位姿预估值误差最小的值；

为误差e_ij的转置，C为约束，C＝{<e_ij，Ω_ij>}，Ω_ij表示节点i和节点j之间虚拟测量值的信息矩阵。

通过高斯牛顿法或者Levenberg-Marquardt算法迭代求最优解：

设初始点为

给它一个(Δx_i，Δx_j)的增量，对误差函数进行一阶 Taylor展开：

其中，Δx表示微分，代表函数

在初始预测位置姿态

处(趋近于无穷小)的变化量；J_ij为误差函数对

计算的雅可比矩阵，对于节点i和节点j之间的边的目标函数项有：

所有节点之间的边的目标函数项有：

其中，c＝∑c_ij，b＝∑b_ij，H＝∑H_ij，Δx^T、b^T分别为Δx、b的转置，

为初始预测位置姿态，∑_<i，j>∈C代表的就是对后面的函数

在约束条件<i，j>∈C下的所有取值进行求和，

中的i，j取值在约束范围 C内，C为约束。

本方法的目标是找到Δx，令

有：

求解得到最优解Δx叠加到初始预测位置姿态

得到新的位姿预估值，将新的位姿预估值作为下一轮迭代的初始预测位置姿态返回到公式5，继续迭代直至获得x^*，即位姿预估值误差最小。

由步骤3可知，在前端里程估计中，任务队列中每***一帧点云数据就会获得一次相对应的位姿预估值，每一个位姿预估值都对应着一帧点云数据，每帧点云数据都对应着一个scan context特征图，在公式5中表示为I^q。

x^*是使位姿预估值误差最小的值，后端优化的目的就是使位姿预估值与实际测量值的误差最小化，在计算出x^*的过程中将使位姿预估值不断更新，地图也在不断更新，因此算出x^*时的地图实现误差最小化。

步骤3前端里程估计得到的局部地图在步骤4中进行闭环检测，来检查地图路线是否存在错误。在步骤5中，通过图优化方法得到误差最小化的位姿预估值用于更新局部地图，使地图误差最小化，从而得到最终的局部地图。

步骤6，边缘协同

步骤1-步骤5的构建方案将在边缘设备中进行，构建出局部地图后再上传到云服务器进行全局地图拼接，最后再将拼接好的地图回传到边缘设备供车辆进行定位操作。

以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于点云融合的行车场景构建方法，其特征在于，包括以下步骤：

步骤1，对车载激光雷达在汽车运动过程中扫描收集的点云数据进行畸变补偿；

步骤2，将畸变补偿后的点云数据进行传感器时间对齐，使点云数据在进行畸变补偿的同时，对同一时间下的里程计数据进行线性插值计算，使里程计数据向点云数据对齐时间，得到实现传感器对齐的机器人的位置姿态作为前端里程估计的初始预测位置姿态；

步骤3，创建一个任务队列用来存放点云数据，并生成一个局部地图；任务队列中每***一帧点云数据时，输入该点云数据对应的机器人的初始预测位置姿态，与局部地图进行点云匹配，对点云数据进行正态分布变换，得到目标点云的所有单位体素，代入高斯概率模型，寻找到局部地图上与初始预测位置姿态最近似的点，得到前端里程估计的位姿预估值；

步骤4，采用基于点云的场景识别方式，将前端里程估计创建的任务队列中的点云数据用scan Context特征图进行描述；定义scan Context特征图之间的距离计算公式；从scanContext特征图中提取描述符环，将其表示为一个多维向量以进行KD树的构建，获得当前场景的环的最相似区域，从中选取和当前场景的环最相似的历史环对应的scan context作为候选场景的scan context；计算任务队列中的点云数据的scan Context和候选场景的scancontext之间的距离，满足阈值的候选场景则被认为是闭环，则将所述位姿预估值进行后端优化；

步骤5，将机器人不同时刻通过前端里程估计得到的位姿预估值抽象定义为节点，机器人在不同位置上的观测所产生的约束被抽象为节点之间的边，节点的位姿信息和路标构成图的顶点集，用边来表示观测数据的约束；

定义误差函数为两个节点之间的虚拟测量值的均值与期望的虚拟测量值的差值；通过高斯牛顿法对误差函数进行迭代求最优解，将求得的最优解叠加到初始预测位置姿态得到新的位姿预估值，将新的位姿预估值作为下一轮迭代的初始预测位置姿态，继续迭代直至位姿预估值误差最小；

步骤1-步骤5在边缘设备中进行，构建出局部地图后再上传到云服务器进行全局地图拼接，最后再将拼接好的地图回传到边缘设备供车辆进行定位操作。

2.根据权利要求1所述的基于点云融合的行车场景构建方法，其特征在于，所述点云数据进行畸变补偿，包括：

根据读取点云帧的首尾数据计算点云帧夹角，得到点云帧采样的实际时间；

利用读取进来的惯性测量单元信息获取车辆角速度和线速度。用角速度乘以时间得到车辆旋转角度；用线速度乘以时间得到车辆偏移位移，生成旋转偏移矩阵；

将原始点云数据矩阵乘上旋转偏移矩阵，得到畸变补偿后的点云数据。

3.根据权利要求1所述的基于点云融合的行车场景构建方法，其特征在于，所述实现传感器对齐的机器人的位置姿态的计算公式为：

其中，X(t_n)代表t_n点的机器人的位置姿态，X(t_o1)、X(t_o2)分别是t_o1、t_o2时刻的里程计数据。

4.根据权利要求1所述的基于点云融合的行车场景构建方法，其特征在于，当***一帧点云数据计算所得位姿预估值与其上一帧的位姿预估值的距离没有超出预设的阈值时，结束步骤3。

5.根据权利要求1所述的基于点云融合的行车场景构建方法，其特征在于，点云数据的任何区域可通过环和扇形唯一索引，将点云数据用二维形式表示即得到scan Context特征图；

记两个点云的scan context特征图为I^q和I^c，定义scan Context特征图之间的距离计算公式如下：

其中，N_s为扇形(sector)的数量，

分别为利用误差函数对I^q和I^c的求解结果；

对于存在同一位置但是不同时间访问的两个scan context特征图的情况，所有可能出现列平移的scan contexts特征图的列向量之和并找到最小值作为最终的距离，列平移的最佳匹配关系n^*定义为：

最小距离定义为：

其中，N_s代表点云中的扇形数量，n代表的就是其中的一个扇形，N_r代表点云数据中的环数量。

6.根据权利要求1所述的基于点云融合的行车场景构建方法，其特征在于，利用公式(2)计算计算任务队列中的点云数据的scan Context和候选场景的scan context之间的距离，满足阈值的候选场景则被认为是闭环：

其中，

表示候选场景的scan context，I^q表示任务队列中点云数据的的scancontext，D是运用公式(4)计算出的I^q，

间的最小距离，τ是设定的判断两个场景是否相似的距离阈值，c^*是最终检测出来的和当前场景一致的历史场景。

7.根据权利要求1所述的基于点云融合的行车场景构建方法，其特征在于，误差函数的定义e_ij(x_i，x_j)为：

其中，x_i表示节点i的位姿，z_ij和表示节点i和节点j之间虚拟测量值的均值，

代表期望的虚拟测量值，误差e_ij(x_i，x_j)取决于期望测量值与实际测量值之差；

将误差函数简化为F(x)：

x^*＝argminF(x) (8)

其中，x^*为误差函数定义式(6)的对应特殊解，即使位姿预估值误差最小的值；

为误差e_ij的转置，C为约束，C＝{<e_ij，Ω_ij>}，Ω_ij表示节点i和节点j之间虚拟测量值的信息矩阵。

8.根据权利要求1所述的基于点云融合的行车场景构建方法，其特征在于，所述通过高斯牛顿法对误差函数进行迭代求最优解，包括：

设初始点为

给它一个(Δx_i，Δx_j)的增量，对误差函数进行一阶Taylor展开：

其中，Δx表示微分，代表函数

在初始预测位置姿态

处的变化量；J_ij为误差函数对

计算的雅可比矩阵，对于节点i和节点j之间的边的目标函数项有：

所有节点之间的边的目标函数项有：

其中，c＝∑c_ij，b＝∑b_ij，H＝∑H_ij，Δx^T、b^T分别为Δx、b的转置，∑_<i，j>∈C表示对函数

在约束条件<i，j>∈C下的所有取值进行求和，

中的i，j取值在约束范围C内，C为约束；

目标是找到Δx，令

有：

求解得到最优解Δx。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现根据权利要求1-8中任一权利要求所述的基于点云融合的行车场景构建方法的步骤。

10.一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，其特征在于，计算机程序被处理器执行时实现根据权利要求1-8中任一权利要求所述的基于点云融合的行车场景构建方法的步骤。

Images