CN113433568B - 一种激光雷达观测模拟方法及装置 - Google Patents
一种激光雷达观测模拟方法及装置 Download PDFInfo
- Publication number
- CN113433568B CN113433568B CN202010206893.0A CN202010206893A CN113433568B CN 113433568 B CN113433568 B CN 113433568B CN 202010206893 A CN202010206893 A CN 202010206893A CN 113433568 B CN113433568 B CN 113433568B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser radar
- observation
- cloud map
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/483—Details of pulse systems
- G01S7/486—Receivers
- G01S7/487—Extracting wanted echo signals, e.g. pulse detection
- G01S7/4876—Extracting wanted echo signals, e.g. pulse detection by removing unwanted signals
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/491—Details of non-pulse systems
- G01S7/493—Extracting wanted echo signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Electromagnetism (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请实施例提供了一种激光雷达观测模拟方法及装置,激光雷达采集的雷达数据能够反映激光雷达所处的真实场景,预先基于激光雷达采集的雷达数据建立的点云地图为真实场景的点云地图,并且观测模型是基于激光雷达的参数生成的,基于观测模型对真实场景的点云地图中的点云进行提取、筛选操作,最终基于筛选后的点云得到的点云观测结果即为激光雷达观测结果,由于点云地图和激光雷达参数的真实性,所获取到的激光雷达观测结果更为真实,为激光雷达的环境感知功能提供更为真实的激光雷达观测结果。
Description
技术领域
本申请涉及激光雷达技术领域,特别是涉及一种激光雷达观测模拟方法及装置。
背景技术
近年来,随着人工智能技术的不断发展,对于智能设备的需求不断增加,以智能驾驶为代表的人工智能技术已得到广泛应用,为人们的生活、工作提供了极大便利,智能设备的应用具有巨大的商业价值和社会价值。
激光雷达是智能驾驶中的主要传感器,是一种利用物体对激光的漫反射实现高精度距离测量的传感器。激光雷达凭借其独有的三维环境建模能力,已经成为智能驾驶中多传感器融合的核心部件。具备智能驾驶功能的智能车辆,需要自主实现环境感知、导航定位和决策控制等功能,激光雷达在环境感知中扮演着重要的角色,环境感知需要大量的激光雷达观测结果用于模型训练。
为了实现环境感知的功能,通常采用仿真环境模拟的方式,搭建虚拟场景模型,在该场景模型下,根据激光雷达观测模型获取到大量的激光雷达观测结果,利用激光雷达观测结果对用于进行环境感知的网络模型进行训练,达到环境感知的目的。然而,由于搭建的虚拟场景模型并非真实场景,所获取到的激光雷达观测结果与实际的观测结果差异较大。
发明内容
本申请实施例的目的在于提供一种激光雷达观测模拟方法及装置,以获得更为真实的激光雷达观测结果。具体技术方案如下:
第一方面,本申请实施例提供了一种激光雷达观测模拟方法,该方法包括:
获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数;
根据激光雷达的参数,生成激光雷达的观测模型;
从点云地图中,提取符合观测模型的点云;
对提取的点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。
可选的,点云地图的建立方式,包括:
获取激光雷达采集的雷达数据;
根据雷达数据,利用预设的位姿估计和重建方法,得到点云地图。
可选的,参数包括垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率;
根据激光雷达的参数,生成激光雷达的观测模型的步骤,包括:
以激光雷达的中心位置为原点,并以垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率为约束条件,通过设定扫描线,构建激光雷达的观测模型。
可选的,以激光雷达的中心位置为原点,并以垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率为约束条件,通过设定扫描线,构建激光雷达的观测模型的步骤,包括:
根据垂直观测范围及垂直角分辨率,计算扫描线数目,并确定每条扫描线在空间中的垂直角位置;
根据水平观测范围及水平角分辨率,计算每条扫描线上点云的空间角位置;
根据每条扫描线在空间中的垂直角位置及每条扫描线上点云的空间角位置,以激光雷达的中心位置为原点,按照预设间隔发射扫描线,得到激光雷达的观测模型。
可选的,在从点云地图中,提取符合观测模型的点云的步骤之前,该方法还包括:
获取激光雷达的位姿及探测距离范围;
以该位姿为原点,从点云地图中筛选出在探测距离范围内的点云;
将筛选后的点云转换到以位姿为参考系的坐标系下,得到局部点云地图;
从点云地图中,提取符合观测模型的点云的步骤,包括:
针对局部点云地图中的各点云,计算该点云相对于原点的方向与每条扫描线的空间角误差;
针对局部点云地图中的各点云,若存在不大于预设阈值的空间角误差,则提取该点云。
可选的,对点云进行筛选,剔除存在透视效应的点云的步骤,包括:
保留一条扫描线上距离原点最近的点云,并剔除该条扫描线上其他的点云。
第二方面,本申请实施例提供了一种激光雷达观测模拟装置,该装置包括:
获取模块,用于获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数;
虚拟激光雷达生成模块,用于根据激光雷达的参数,生成激光雷达的观测模型;
激光雷达观测获取模块,用于从点云地图中,提取符合观测模型的点云;
点云筛选与数据整合模块,用于对提取的点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。
可选的,该装置还包括:点云地图创建模块;
点云地图创建模块,用于获取激光雷达采集的雷达数据;根据雷达数据,利用预设的位姿估计和重建方法,得到点云地图。
可选的,参数包括垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率;
虚拟激光雷达生成模块,具体用于:
以激光雷达的中心位置为原点,并以垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率为约束条件,通过设定扫描线,构建激光雷达的观测模型。
可选的,虚拟激光雷达生成模块,具体用于:
根据垂直观测范围及垂直角分辨率,计算扫描线数目,并确定每条扫描线在空间中的垂直角位置;
根据水平观测范围及水平角分辨率,计算每条扫描线上点云的空间角位置;
根据每条扫描线在空间中的垂直角位置及每条扫描线上点云的空间角位置,以激光雷达的中心位置为原点,按照预设间隔发射扫描线,得到激光雷达的观测模型。
可选的,该装置还包括:局部点云地图;
局部点云地图,用于获取激光雷达的位姿及探测距离范围;以该位姿为原点,从点云地图中筛选出在探测距离范围内的点云;将筛选后的点云转换到以位姿为参考系的坐标系下,得到局部点云地图;
激光雷达观测获取模块,具体用于:针对局部点云地图中的各点云,计算该点云相对于原点的方向与每条扫描线的空间角误差;针对局部点云地图中的各点云,若存在不大于预设阈值的空间角误差,则提取该点云。
可选的,点云筛选与数据整合模块,具体用于:
保留一条扫描线上距离原点最近的点云,并剔除该条扫描线上其他的点云。
第三方面,本申请实施例提供了一种电子设备,包括处理器和机器可读存储介质,其中,机器可读存储介质存储有能够被处理器执行的机器可执行指令;处理器被机器执行指令促使:实现本申请实施例第一方面所提供的激光雷达观测模拟方法。
第四方面,本申请实施例提供了一种机器可读存储介质,机器可读存储介质存储有机器可执行指令,在被处理器调用和执行时,实现本申请实施例第一方面所提供的激光雷达观测模拟方法。
本申请实施例提供的一种激光雷达观测模拟方法及装置,获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数,根据参数,生成激光雷达的观测模型,从点云地图中,提取符合观测模型的点云,对点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。激光雷达采集的雷达数据能够反映激光雷达所处的真实场景,因此预先基于激光雷达采集的雷达数据建立的点云地图为真实场景的点云地图,并且观测模型是基于激光雷达的参数生成的,基于观测模型对真实场景的点云地图中的点云进行提取、筛选操作,最终基于筛选后的点云得到的点云观测结果即为激光雷达观测结果,由于点云地图和激光雷达参数的真实性,所获取到的激光雷达观测结果更为真实,为激光雷达的环境感知功能提供更为真实的激光雷达观测结果。
附图说明
为了更清楚地说明本申请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申请的一些实施例,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他的附图。
图1为本申请一实施例的激光雷达观测模拟方法的流程示意图;
图2为本申请实施例的观测模型的示意图;
图3为本申请实施例的局部点云地图的示意图;
图4为本申请实施例的单帧点云观测结果的示意图;
图5为本申请另一实施例的激光雷达观测模拟方法的流程示意图;
图6为本申请实施例的激光点云模拟的流程示意图;
图7为本申请实施例的激光雷达观测模拟装置的结构示意图;
图8为本申请实施例的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了获得更为真实的激光雷达观测结果、提高激光雷达对环境感知的准确性,本申请实施例提供了一种激光雷达观测模拟方法及装置。下面,首先对本申请实施例所提供的激光雷达观测模拟方法进行介绍。
本申请实施例所提供的激光雷达观测模拟方法的执行主体可以为执行具有仿真模拟功能的后台服务器。实现本申请实施例所提供的激光雷达观测模拟方法的方式可以为设置于上述执行主体中的软件、硬件电路和逻辑电路中的至少一种方式。
如图1所示,本申请实施例所提供的一种激光雷达观测模拟方法,可以包括如下步骤。
S101,获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数。
S102,根据激光雷达的参数,生成激光雷达的观测模型。
S103,从点云地图中,提取符合观测模型的点云。
S104,对提取的点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。
应用本申请实施例,获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数,根据参数,生成激光雷达的观测模型,从点云地图中,提取符合观测模型的点云,对点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。激光雷达采集的雷达数据能够反映激光雷达所处的真实场景,因此预先基于激光雷达采集的雷达数据建立的点云地图为真实场景的点云地图,并且观测模型是基于激光雷达的参数生成的,基于观测模型对真实场景的点云地图中的点云进行提取、筛选操作,最终基于筛选后的点云得到的点云观测结果即为激光雷达观测结果,由于点云地图和激光雷达参数的真实性,所获取到的激光雷达观测结果更为真实,为激光雷达的环境感知功能提供更为真实的激光雷达观测结果。基于真实场景的点云地图,模拟激光雷达在不同位姿的观测结果,能够高效快速的获取更多的真实场景激光雷达感知数据。
激光雷达通过激光发射源在空间的不同垂直方向角上发射激光扫描线,根据扫描线的反射结果采集障碍物的雷达数据。雷达数据是激光雷达在真实场景下采集的数据,主要包括真实场景下障碍物的坐标、距离等,预先基于激光雷达采集的雷达数据建立的点云地图为真实场景的点云地图。
可选的,点云地图的建立方式,可以包括:获取激光雷达采集的雷达数据;根据雷达数据,利用预设的位姿估计和重建方法,得到点云地图。
点云地图是根据雷达探测结果,通过高精度的位姿估计和重建方法获取的真实环境的稠密三维信息构成的地图,这里所说的高精度的位姿估计和重建方法可以是SLAM(Simultaneous Localization and Mapping,即时定位与地图构建)技术。
激光雷达的参数可以包括最大观测距离、水平观测范围、垂直观测范围、雷达线数、点云数量等属性参数,还可以包括安装的位置、姿态等外参。激光雷达的属性参数可以直接从激光雷达获取到,激光雷达的外参可以在激光雷达安装后通过标定获取到。
在获取到激光雷达的参数后,根据激光雷达的参数可以生成激光雷达的观测模型,观测模型是根据激光雷达的参数和探测原理构建的,用于实现对不同参数和型号的激光雷达观测模拟。
可选的,参数可以包括垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率。相应的,S102具体可以为:以激光雷达的中心位置为原点,并以垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率为约束条件,通过设定扫描线,构建激光雷达的观测模型。
为了实现激光雷达观测模拟,需要构建激光雷达的观测模型,本申请实施例采用基于激光雷达探测原理的扫描线设定方式构建观测模型。该观测模型以激光雷达中心位置为原点,在垂直观测范围内通过发射水平扫描线,扫描线在水平方向的观测范围为360°,基于这些扫描线可以构建出激光雷达的观测模型,观测模型如图2所示。观测模型扫描线间的空间关系应满足激光雷达水平观测范围(单条扫描线的水平观测范围,常见为360°)、水平角分辨率(单条扫描线上两个相邻点云之间的水平视场夹角)、垂直观测范围(激光雷达扫描线在垂直方向上的最大视场角,常见为30°)和垂直角分辨率(激光雷达两条相邻扫描线之间的垂直视场角,决定激光雷达的扫描线数目)等参数的约束。
针对于不同类型的激光雷达,垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率等属性参数不同,则针对不同类型的激光雷达可以建立相应的观测模型,观测模型的适应性更强。
可选的,以激光雷达的中心位置为原点,并以垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率为约束条件,通过设定扫描线,构建激光雷达的观测模型的步骤,具体可以为:根据垂直观测范围及垂直角分辨率,计算扫描线数目,并确定每条扫描线在空间中的垂直角位置;根据水平观测范围及水平角分辨率,计算每条扫描线上点云的空间角位置;根据每条扫描线在空间中的垂直角位置及每条扫描线上点云的空间角位置,以激光雷达的中心位置为原点,按照预设间隔发射扫描线,得到激光雷达的观测模型。
由激光雷达的参数中的垂直观测范围和垂直角分辨率可以计算出当前需要模拟的激光雷达的扫描线数目,例如,垂直观测范围为30°,垂直角分辨率为2°,则扫描线数目S=30°/2°+1,计算得到的扫描线数目为16条。由于每两条扫描线之间的垂直角分辨率不是恒定值,因此扫描线数目往往是迭代计算得到的。由于垂直观测范围已知,计算出了扫描线数目,基于这两个参数可以确定出每条扫描线在空间中的垂直角位置。根据激光雷达的参数中的水平观测范围和水平角分辨率,水平观测范围一般为360°,水平角分辨率为单条扫描线上两个相邻点云之间的水平视场夹角,这样,根据这两个参数可以确定出每条扫描线的空间位置。在确定出每条扫描线在空间中的垂直角位置及每条扫描线的空间位置之后,根据垂直角位置、空间位置,以激光雷达的中心位置为原点,按照预设间隔发射扫描线,即可创建出激光雷达的观测模型。
观测模型是一个数学模型,具有对点云的约束,而点云地图中都是真实场景下的点云,在创建观测模型后,可以从点云地图中提取出符合观测模型的点云,也就是从真实场景的点云中提取出符合数学约束的点云。
可选的,在执行S103之前,本申请实施例所提供的方法还可以执行:获取激光雷达的位姿及探测距离范围;以位姿为原点,从点云地图中筛选出在探测距离范围内的点云;将筛选后的点云转换到以位姿为参考系的坐标系下,得到局部点云地图。
相应的,S103具体可以为:针对局部点云地图中的各点云,计算该点云相对于原点的方向与每条扫描线的空间角误差;针对局部点云地图中的各点云,若存在不大于预设阈值的空间角误差,则提取该点云。
在观测模型是基于激光雷达探测原理的扫描线构建的实施方式下,首先以输入的激光雷达的位姿为原点,从点云地图以激光雷达的探测距离范围为阈值筛选点云,即先筛选出在探测距离范围内的点云,并通过刚体变换将筛选后的点云转换到以激光雷达的位姿为参考系的坐标系下座位局部点云地图,局部点云地图如图3所示,图中虚线圆形区域为激光雷达最大探测范围。其中,刚体变换是指不同坐标系下的点云之间的转换,例如从雷达坐标系下转换到以激光雷达的位姿为参考系的坐标系下。
在得到局部点云地图后,遍历局部点云地图,计算每个点云相对于原点的方向与激光雷达每条扫描线的空间角误差,若点云与某条扫描线的空间角误差不大于阈值,则提取该点云,将该点云作为模拟激光雷达对应扫描线的观测点进行保存,若点云与某条扫描线的空间角误差小于阈值,则跳过该点云。
在从点云地图中提取出符合观测模型的点云后,对提取出的点云进行筛选,由于基于雷达数据生成的点云可能存在透视效应,即本来无法被观测到的点云出现在点云地图中,因此需要剔除掉存在透视效应的点云,筛选后的点云即组成了点云观测结果,具体的,针对筛选出的点云,可以按照激光雷达线束和水平角度顺序进行数据整理,输出的点云观测结果可以为模拟激光雷达在指定位姿下的单帧点云观测结果,如图4所示,图中两个椭圆面为激光雷达不同扫描线的探测位置,两个椭圆之间的夹角为垂直角分辨率,箭头所指的两条线为扫描线,两条扫描线之间的夹角为水平角分辨率,箭头所指点云为筛选出的观测点云。
可选的,对点云进行筛选,剔除存在透视效应的点云的步骤,具体可以为:保留一条扫描线上距离原点最近的点云,并剔除该条扫描线上其他的点云。
一般情况下,一条扫描线上只有一个点云是可观测的,这个点云是扫描线上距离原点最近的点云,这条扫描线上其他的点云都是存在透视效应的点云。因此,在进行点云筛选时,可以只保留一条扫描线上距离原点最近的点云,剔除该条扫描线上其他的点云。
综上所述,在一种实现方式中,如图5所示,输入包括3个部分:(1)真实场景的稠密点云地图,(2)需要模拟的激光雷达的3D位姿和(3)激光雷达参数。其中,稠密点云地图是根据激光雷达在真实场景中采集的雷达数据,通过高精度位姿估计和重建方法获取环境的稠密3D信息;激光雷达的3D位姿指的是需要模拟的激光雷达在地图中的位置和姿态;激光雷达参数表示需要模拟的激光雷达传感器参数,如激光雷达的最大观测距离、水平视场角、垂直视场角、雷达线数和点云数量等,其中,雷达线数是指激光雷达在垂直观测范围内的激光扫描线数量,常见的为1、4、8、16、32和64线。对输入的3个部分进行激光点云模拟,最终得到激光雷达单帧模拟点云。
激光点云模拟主要包括虚拟激光雷达生成、激光雷达观测获取和点云筛选与数据整合三个部分,如图6所示。
虚拟激光雷达生成是指根据激光雷达的参数生成激光雷达的观测模型;激光雷达观测获取是指提取点云地图中所有符合观测模型的点云;点云筛选与数据整合是指对提取的点云进行筛选,剔除存在透视效应的点云,并将筛选后的点云根据激光雷达数据格式按照线束划分存储并输出。每个部分的具体过程详见上述实施例,这里不再赘述。
将观测模型应用于真实场景的稠密点云,实现不同位置下各种参数的激光雷达观测结果模拟。相比于原有的应用,可以获得更为真实的激光雷达观测结果,避免由于仿真场景引起的激光雷达观测模拟失真。根据点云地图,通过配置激光雷达的参数模拟各种线数、型号和安装外参的激光雷达观测结果。可以利用低线数激光雷达采集的点云地图实现对高线数激光雷达的观测模拟,提高激光雷达点云的获取效率,降低激光雷达成本。在真实场景点云地图覆盖区域的任意位置模拟激光雷达的观测结果。针对已知点云地图无需多次采集雷达数据即可获得不同位置下激光雷达观测信息,提高激光雷达点云的获取效率。
下面,结合几个具体场景,对本申请实施例提供的激光雷达观测模拟方法的应用进行介绍。
实施例一:在障碍物识别的场景下,通过将采集的当前场景的雷达数据输入预先训练的识别模型中,识别出当前场景下的障碍物。识别模型通常为神经网络模型,是通过样本训练得到的,样本获取的越多,训练得到的识别模型的识别结果就越准确。传统进行样本获取的方法,是不断地在实际场景下进行雷达数据的采集,将采集到的雷达数据作为样本数据,对识别模型进行训练,这样的训练方式会在样本采集过程中消耗大量的时间成本,导致识别模型的训练效率较低、识别模型的识别准确性较差。利用本申请实施例提供的激光雷达观测模拟方法,得到的点云观测结果更接近于真实场景下的雷达数据,也就是说并不需要经过重复地采集,即可高效地获取到真实场景下更多的雷达数据(即点云观测结果),将这些点云观测结果作为样本数据,对识别模型进行训练。也就是说,将本申请实施例观测模拟得到的点云观测结果作为识别模型的样本输入,能够高效、快速地训练出更为准确的识别模型,提高了识别模型的训练效率和识别准确性。
基于上述分析,在障碍物识别的场景下,主要包括模型训练和障碍物识别两个步骤。模型训练包括:获取激光雷达在指定场景下预先采集的雷达数据,基于雷达数据建立点云地图,并获得激光雷达的参数,根据激光雷达的参数,生成激光雷达的观测模型,从点云地图中,提取符合观测模型的点云,对提取的点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果;将点云观测结果作为训练样本,对初始的神经网络模型进行训练,得到识别模型。障碍物识别包括:车辆在指定场景下行驶时,通过安装的激光雷达采集指定场景下的实时雷达数据,将实时雷达数据输入识别模型,识别模型输出的即为指定场景下实时的障碍物识别结果。
实施例二:在全局定位的场景下,尤其是在双向车道的全局定位场景下,由于车辆沿着不同方向行驶时,采集到的雷达数据不同,为了保证全局定位结果的准确性,需要在建立点云地图时,车辆沿着不同方向反复行驶,采集大量的雷达数据,基于采集到的大量的雷达数据,建立的点云地图才能更接近于真实场景,可见,传统的建图过程极为复杂。利用本申请实施例提供的激光雷达观测模拟方法,得到的点云观测结果更接近于真实场景下的雷达数据,也就是说并不需要经过重复地采集,即可高效地获取到更多的雷达数据(即点云观测结果),从而可以基于点云观测结果快速、准确地建立点云地图。点云地图能够更为全面的体现真实场景,从而保证了全局定位结果的准确性。
基于上述分析,在全局定位的场景下,主要包括点云地图更新和全局定位两个步骤。点云地图更新包括:获取激光雷达在指定场景下预先采集的雷达数据,基于雷达数据建立点云地图,并获得激光雷达的参数,根据激光雷达的参数,生成激光雷达的观测模型,从点云地图中,提取符合观测模型的点云,对提取的点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果;根据点云观测结果更新点云地图。全局定位:车辆在指定场景下行驶时,通过安装的激光雷达采集指定场景下的实时雷达数据,将实时雷达数据与点云地图进行匹配,根据匹配结果确定该车辆的定位结果。
可见,通过本申请实施例提供的激光雷达观测模拟方法,为激光雷达的环境感知功能提供更为真实的激光雷达观测结果,高效快速地获取到更多的真实场景激光雷达感知数据,提高了激光雷达点云的获取效率。进一步地,在障碍物识别的场景下,能够高效、快速地训练出更为准确的识别模型,提高了识别模型的训练效率和识别准确性;在全局定位的场景下,快速、准确地建立更为全面的体现真实场景的点云地图,保证了全局定位结果的准确性。
基于上述方法实施例,本申请实施例提供了一种激光雷达观测模拟装置,如图7所示,该装置可以包括:
获取模块710,用于获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数;
虚拟激光雷达生成模块720,用于根据激光雷达的参数,生成激光雷达的观测模型;
激光雷达观测获取模块730,用于从点云地图中,提取符合观测模型的点云;
点云筛选与数据整合模块740,用于对提取的点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。
可选的,该装置还可以包括:点云地图创建模块;
点云地图创建模块,用于获取激光雷达采集的雷达数据;根据雷达数据,利用预设的位姿估计和重建方法,得到点云地图。
可选的,参数可以包括垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率;
虚拟激光雷达生成模块720,具体可以用于:
以激光雷达的中心位置为原点,并以垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率为约束条件,通过设定扫描线,构建激光雷达的观测模型。
可选的,虚拟激光雷达生成模块720,具体可以用于:
根据垂直观测范围及垂直角分辨率,计算扫描线数目,并确定每条扫描线在空间中的垂直角位置;
根据水平观测范围及水平角分辨率,计算每条扫描线上点云的空间角位置;
根据每条扫描线在空间中的垂直角位置及每条扫描线上点云的空间角位置,以激光雷达的中心位置为原点,按照预设间隔发射扫描线,得到激光雷达的观测模型。
可选的,该装置还可以包括:局部点云地图;
局部点云地图,用于获取激光雷达的位姿及探测距离范围;以该位姿为原点,从点云地图中筛选出在探测距离范围内的点云;将筛选后的点云转换到以位姿为参考系的坐标系下,得到局部点云地图;
激光雷达观测获取模块730,具体可以用于:针对局部点云地图中的各点云,计算该点云相对于原点的方向与每条扫描线的空间角误差;针对局部点云地图中的各点云,若存在不大于预设阈值的空间角误差,则提取该点云。
可选的,点云筛选与数据整合模块740,具体可以用于:
保留一条扫描线上距离原点最近的点云,并剔除该条扫描线上其他的点云。
应用本申请实施例,获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数,根据参数,生成激光雷达的观测模型,从点云地图中,提取符合观测模型的点云,对点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。激光雷达采集的雷达数据能够反映激光雷达所处的真实场景,因此预先基于激光雷达采集的雷达数据建立的点云地图为真实场景的点云地图,并且观测模型是基于激光雷达的参数生成的,基于观测模型对真实场景的点云地图中的点云进行提取、筛选操作,最终基于筛选后的点云得到的点云观测结果即为激光雷达观测结果,由于点云地图和激光雷达参数的真实性,所获取到的激光雷达观测结果更为真实,为激光雷达的环境感知功能提供更为真实的激光雷达观测结果。
本申请实施例提供了一种电子设备,如图8所示,包括处理器801和机器可读存储介质802,其中,机器可读存储介质802存储有能够被处理器801执行的机器可执行指令;处理器801被机器执行指令促使:实现本申请实施例所提供的激光雷达观测模拟方法。
本申请实施例中,处理器801通过读取机器可读存储介质802中存储的机器可执行指令,被机器可执行指令促使能够实现:获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数,根据参数,生成激光雷达的观测模型,从点云地图中,提取符合观测模型的点云,对点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。激光雷达采集的雷达数据能够反映激光雷达所处的真实场景,因此预先基于激光雷达采集的雷达数据建立的点云地图为真实场景的点云地图,并且观测模型是基于激光雷达的参数生成的,基于观测模型对真实场景的点云地图中的点云进行提取、筛选操作,最终基于筛选后的点云得到的点云观测结果即为激光雷达观测结果,由于点云地图和激光雷达参数的真实性,所获取到的激光雷达观测结果更为真实,为激光雷达的环境感知功能提供更为真实的激光雷达观测结果。
上述机器可读存储介质可以包括RAM(Random Access Memory,随机存取存储器),也可以包括NVM(Non-volatile Memory,非易失性存储器),例如至少一个磁盘存储器。可选的,机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器,包括CPU(Central Processing Unit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(Digital Signal Processor,数字信号处理器)、ASIC(Application Specific Integrated Circuit,专用集成电路)、FPGA(Field-Programmable Gate Array,现场可编程门阵列)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
另外,本申请实施例提供了一种机器可读存储介质,机器可读存储介质存储有机器可执行指令,在被处理器调用和执行时,实现本申请实施例所提供的激光雷达观测模拟方法。
本实施例中,机器可读存储介质中存储的机器可执行指令在运行时能够实现:获取预先基于激光雷达采集的雷达数据建立的点云地图、以及激光雷达的参数,根据参数,生成激光雷达的观测模型,从点云地图中,提取符合观测模型的点云,对点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果。激光雷达采集的雷达数据能够反映激光雷达所处的真实场景,因此预先基于激光雷达采集的雷达数据建立的点云地图为真实场景的点云地图,并且观测模型是基于激光雷达的参数生成的,基于观测模型对真实场景的点云地图中的点云进行提取、筛选操作,最终基于筛选后的点云得到的点云观测结果即为激光雷达观测结果,由于点云地图和激光雷达参数的真实性,所获取到的激光雷达观测结果更为真实,为激光雷达的环境感知功能提供更为真实的激光雷达观测结果。
对于电子设备和机器可读存储介质实施例而言,由于其涉及的方法内容基本相似于前述的方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备和机器可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (7)
1.一种激光雷达观测模拟方法,其特征在于,所述方法包括:
获取预先基于激光雷达采集的雷达数据建立的点云地图、以及所述激光雷达的参数;其中,所述点云地图是根据所述激光雷达探测结果,通过高精度的位姿估计和重建的方法,获取的真实环境的稠密三维信息构成的地图;所述参数包括垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率;
根据所述参数,生成所述激光雷达的观测模型;其中,以所述激光雷达的中心位置为原点,并以所述垂直观测范围、所述垂直角分辨率、所述水平观测范围和所述水平角分辨率为约束条件,通过设定扫描线,构建所述激光雷达的观测模型;
从所述点云地图中,提取符合所述观测模型的点云;
对所述点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果;
在从所述点云地图中,提取符合所述观测模型的点云之前,所述方法还包括:
获取所述激光雷达的位姿及探测距离范围;
以所述位姿为原点,从所述点云地图中筛选出在所述探测距离范围内的点云;
将筛选后的点云转换到以所述位姿为参考系的坐标系下,得到局部点云地图;
所述从所述点云地图中,提取符合所述观测模型的点云,包括:
针对所述局部点云地图中的各点云,计算该点云相对于所述原点的方向与每条扫描线的空间角误差;
针对所述局部点云地图中的各点云,若存在不大于预设阈值的空间角误差,则提取该点云。
2.根据权利要求1所述的方法,其特征在于,所述点云地图的建立方式,包括:
获取激光雷达采集的雷达数据;
根据所述雷达数据,利用预设的位姿估计和重建方法,得到点云地图。
3.根据权利要求1所述的方法,其特征在于,所述以所述激光雷达的中心位置为原点,并以所述垂直观测范围、所述垂直角分辨率、所述水平观测范围和所述水平角分辨率为约束条件,通过设定扫描线,构建所述激光雷达的观测模型,包括:
根据所述垂直观测范围及所述垂直角分辨率,计算扫描线数目,并确定每条扫描线在空间中的垂直角位置;
根据所述水平观测范围及所述水平角分辨率,计算所述扫描线中的每条扫描线上点云的空间角位置;
根据所述扫描线中的每条扫描线在空间中的垂直角位置及所述扫描线中的每条扫描线上点云的空间角位置,以所述激光雷达的中心位置为原点,按照预设间隔发射扫描线,得到所述激光雷达的观测模型。
4.根据权利要求1所述的方法,其特征在于,所述对所述点云进行筛选,剔除存在透视效应的点云,包括:
保留一条扫描线上距离所述原点最近的点云,并剔除该条扫描线上其他的点云。
5.一种激光雷达观测模拟装置,其特征在于,所述装置包括:
获取模块,用于获取预先基于激光雷达采集的雷达数据建立的点云地图、以及所述激光雷达的参数;其中,所述点云地图是根据所述激光雷达探测结果,通过高精度的位姿估计和重建的方法,获取的真实环境的稠密三维信息构成的地图;所述参数包括垂直观测范围、垂直角分辨率、水平观测范围和水平角分辨率;
虚拟激光雷达生成模块,用于根据所述参数,生成所述激光雷达的观测模型;其中,以所述激光雷达的中心位置为原点,并以所述垂直观测范围、所述垂直角分辨率、所述水平观测范围和所述水平角分辨率为约束条件,通过设定扫描线,构建所述激光雷达的观测模型;
激光雷达观测获取模块,用于从所述点云地图中,提取符合所述观测模型的点云;
点云筛选与数据整合模块,用于对所述点云进行筛选,剔除存在透视效应的点云,并基于筛选后的点云,确定点云观测结果;
所述激光雷达观测获取模型,具体用于:
获取所述激光雷达的位姿及探测距离范围;
以所述位姿为原点,从所述点云地图中筛选出在所述探测距离范围内的点云;
将筛选后的点云转换到以所述位姿为参考系的坐标系下,得到局部点云地图;
所述从所述点云地图中,提取符合所述观测模型的点云,包括:
针对所述局部点云地图中的各点云,计算该点云相对于所述原点的方向与每条扫描线的空间角误差;
针对所述局部点云地图中的各点云,若存在不大于预设阈值的空间角误差,则提取该点云。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:点云地图创建模块;
所述点云地图创建模块,用于获取激光雷达采集的雷达数据;根据所述雷达数据,利用预设的位姿估计和重建方法,得到点云地图。
7.根据权利要求5所述的装置,其特征在于,所述虚拟激光雷达生成模块,具体用于:
根据所述垂直观测范围及所述垂直角分辨率,计算扫描线数目,并确定每条扫描线在空间中的垂直角位置;
根据所述水平观测范围及所述水平角分辨率,计算所述扫描线中的每条扫描线上点云的空间角位置;
根据所述扫描线中的每条扫描线在空间中的垂直角位置及所述扫描线中的每条扫描线上点云的空间角位置,以所述激光雷达的中心位置为原点,按照预设间隔发射扫描线,得到所述激光雷达的观测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206893.0A CN113433568B (zh) | 2020-03-23 | 2020-03-23 | 一种激光雷达观测模拟方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010206893.0A CN113433568B (zh) | 2020-03-23 | 2020-03-23 | 一种激光雷达观测模拟方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113433568A CN113433568A (zh) | 2021-09-24 |
CN113433568B true CN113433568B (zh) | 2023-04-07 |
Family
ID=77752544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010206893.0A Active CN113433568B (zh) | 2020-03-23 | 2020-03-23 | 一种激光雷达观测模拟方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113433568B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116719054B (zh) * | 2023-08-11 | 2023-11-17 | 光轮智能(北京)科技有限公司 | 虚拟激光雷达点云的生成方法、计算机设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101572618B1 (ko) * | 2014-10-16 | 2015-12-02 | 연세대학교 산학협력단 | 라이더 시뮬레이션 장치 및 방법 |
US11455565B2 (en) * | 2017-08-31 | 2022-09-27 | Ford Global Technologies, Llc | Augmenting real sensor recordings with simulated sensor data |
CN108564615B (zh) * | 2018-04-20 | 2022-04-29 | 驭势(上海)汽车科技有限公司 | 模拟激光雷达探测的方法、装置、***及存储介质 |
CN108732556B (zh) * | 2018-08-17 | 2020-03-27 | 西南交通大学 | 一种基于几何体求交运算的车载激光雷达仿真方法 |
CN109271893B (zh) * | 2018-08-30 | 2021-01-01 | 百度在线网络技术(北京)有限公司 | 一种仿真点云数据的生成方法、装置、设备及存储介质 |
CN109459734B (zh) * | 2018-10-30 | 2020-09-11 | 百度在线网络技术(北京)有限公司 | 一种激光雷达定位效果评估方法、装置、设备及存储介质 |
-
2020
- 2020-03-23 CN CN202010206893.0A patent/CN113433568B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113433568A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109285220B (zh) | 一种三维场景地图的生成方法、装置、设备及存储介质 | |
CN109949372B (zh) | 一种激光雷达与视觉联合标定方法 | |
US11455565B2 (en) | Augmenting real sensor recordings with simulated sensor data | |
CN109459734B (zh) | 一种激光雷达定位效果评估方法、装置、设备及存储介质 | |
US11092444B2 (en) | Method and system for recording landmarks in a traffic environment of a mobile unit | |
US20190065933A1 (en) | Augmenting Real Sensor Recordings With Simulated Sensor Data | |
KR102249769B1 (ko) | 2차원 영상의 픽셀별 3차원 좌표값 추정 방법 및 이를 이용한 자율주행정보 추정 방법 | |
US20200233061A1 (en) | Method and system for creating an inverse sensor model and method for detecting obstacles | |
US11941888B2 (en) | Method and device for generating training data for a recognition model for recognizing objects in sensor data of a sensor, in particular, of a vehicle, method for training and method for activating | |
CN110889808A (zh) | 一种定位的方法、装置、设备及存储介质 | |
CN114547866B (zh) | 基于bim-无人机-机械狗的预制构件智能检测方法 | |
CN111856499B (zh) | 基于激光雷达的地图构建方法和装置 | |
JP2017526083A (ja) | 位置特定およびマッピングの装置ならびに方法 | |
CN113724387A (zh) | 一种激光与相机融合的地图构建方法 | |
CN115825067A (zh) | 一种基于无人机的地质信息采集方法、***及电子设备 | |
CN113433568B (zh) | 一种激光雷达观测模拟方法及装置 | |
Jing et al. | Efficient point cloud corrections for mobile monitoring applications using road/rail-side infrastructure | |
CN117830772A (zh) | 基于点云图像融合的局部地图生成方法及*** | |
Dehbi et al. | Improving gps trajectories using 3d city models and kinematic point clouds | |
Hebel et al. | Change detection in urban areas by direct comparison of multi-view and multi-temporal ALS data | |
CN116129669A (zh) | 一种基于激光雷达的车位测评方法、***、设备及介质 | |
CN115965847A (zh) | 交叉视角下多模态特征融合的三维目标检测方法和*** | |
CN115236643A (zh) | 一种传感器标定方法、***、装置、电子设备及介质 | |
CN115249347A (zh) | 映射车辆环境 | |
CN111964685A (zh) | 用于创建用于车辆的定位地图的方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |