雪天行车环境机械激光雷达点云数据去噪方法

技术领域

本发明涉及一种雪天行车环境机械激光雷达点云数据去噪方法，属于自动驾驶领域。

背景技术

自动驾驶汽车通过激光雷达、相机、毫米波雷达等传感器获取周围环境的车辆、行人等其他类别的物体信息。其中，激光雷达所产生的点云数据具有测量距离远、位置精度高、受光照影响小的特点，是自动驾驶环境感知的有效信息源，可用来开发三维目标检测、场景重建等多种类型算法。

雪天行车环境中，落雪会对激光雷达探测产生吸收与散射方面的影响。雪花可被认为是弥漫性的固体物体，通常小于激光束截面，小的雪花片会产生明显的后向散射效应。上述现象会对激光雷达产生的点云数据造成干扰，影响雪天情况下自动驾驶汽车障碍物检测等环境感知算法的准确性，危害自动驾驶汽车雪天行车安全。对雪天环境中的激光雷达点云数据进行去噪处理，则能有效滤除点云数据中的雪花噪点，维持自动驾驶环境感知算法的稳定性，提高自动驾驶汽车雪天行车安全性。

现有的无人驾驶环境感知研究较少涉及雪天环境情况。CN202210632703.0公开了一种视觉自动驾驶控制系统，但其输入源为图像而非激光雷达产生的三维点云。现有的基于滤波的雷达点云去噪方法如SOR、ROR、DROR可以滤去三维点云中的噪点，但这些方法并非专门为雪天行车环境中的雪点去除而设计，因此在分布不均的大量雪花情况下易失效。CN202210034793.3公开了一种激光雷达系统及其环境光去噪方法，但并未涉及到空气中雪花对激光雷达数据造成的影响。DSOR(Kurup A,Bos J.Dsor:A scalable statisticalfilter for removing falling snow from lidar point clouds in severe winterweather[J].arXiv preprint arXiv:2109.07078,2021.)是最近出现的一种专门针对雪天环境的雷达点云去噪方法，对去除雪花噪点有较为明显的效果，但作为一种基于滤波的方法，一般被部署在cpu上，在检测速度上仍有提升空间。与基于滤波的方法相比，基于深度学习的方法能够使用图形处理器进行加速，在准确率和速度方面具有更大的潜力。LiSnowNet(Yu M Y,Vasudevan R,Johnson-Roberson M.LiSnowNet:Real-time Snow Removal forLiDAR Point Clouds[C]//2022IEEE/RSJ International Conference on IntelligentRobots and Systems(IROS).IEEE,2022:6820-6826.)作为一种应用二维卷积模型对含雪噪声点云进行去噪处理的方法，在速度和准确率上均超越了DSOR，但其未利用含有标注的点云数据，仅通过设计一种不含标签数据的损失函数对模型进行优化；4DenoiseNet(

发明内容

本发明的目的是解决雪天行车环境下自动驾驶汽车激光雷达受雪花影响产生噪音，导致自动驾驶汽车行驶产生安全隐患。提供一种雪天行车环境机械激光雷达点云数据去噪方法；对激光雷达获取的点云数据进行处理，将其转化为点云深度信息张量；对点云数据进行标注，获取标签数据；将点云深度信息张量与标签数据结合，制作数据集；采用卷积处理、残差注意力处理、离散小波变换处理处理数据集，利用数据集中的训练集优化卷积处理、残差注意力处理中的权重参数；利用数据集中的测试集对包含已优化权重参数的处理方法进行评价；在实际应用时，调整方法输入维度以适配真实世界的数据维度，获取方法输出的点云类别预测值，将预测为雪花的激光雷达数据点在原始数据上予以消除。

本发明的目的是通过以下技术方案实现的。

雪天行车环境机械激光雷达点云数据去噪方法，包括以下步骤：

步骤一，采集雪天行车环境下激光雷达产生的点云数据，构造点云数据深度信息张量；对点云数据进行标注，生成机械激光雷达点云去噪方法数据集；

1)对点云数据进行处理，构造点云数据深度信息张量；对雪天行车环境下激光雷达产生的点云数据进行预处理，设激光雷达产生的一帧点云数据为二维矩阵

步骤1.1，对激光雷达点云集合{M

θ

r

其中θ

步骤1.2，r

x

y

其中，x

对式(3)和(4)进行变换得到式(7)和(8)：

步骤1.3，获取栅格中

将栅格图所有索引处不存在

步骤1.4，对于任意激光雷达点(x

2)对点云数据进行标注，

对激光雷达点云集合{M

对S

3)将T

步骤二，对步骤一得到的训练集，使用卷积处理、离散小波变换处理、残差注意力处理、离散逆小波变换进行处理；通过正向传播和反向传播过程，优化卷积处理、残差注意力处理、中的权重参数；

将训练集拆分为若干个子集，其中每个子集包含bs个T和Ya，设每个子集中T的集合为X，Ya的集合为Y。则对任意X进行以下处理：

1)设卷积处理为：

Mid

Mid

Out

(10)中的conv表示二维卷积核操作，In

以X作为卷积处理的输入，执行两次卷积处理，得到输出X

2)对X

3)设残差注意力处理：

(13)-(15)中，In

4)对X

5)对X

6)对X

7)对X

8)对X

9)将X

(16)中，e为自然常数，

10)将

(17)中，F表示F-范数。

11)根据计算得到的

12)对训练集中的所有子集，循环1)到11)，对损失函数设定阈值v，当损失函数值小于阈值v时，终止循环，保存1)到10)中所有卷积操作和残差注意力操作中的权重参数。

步骤三，利用步骤一得到的测试集对步骤二优化好的卷积处理、残差注意力处理中的权重参数进行评价，得到满足准确率要求的权重参数；

利用步骤二中含优化后权重参数的点云数据去噪方法处理测试集的激光雷达点云集合，将输出与测试集中的标签数据进行比较，计算去噪方法在测试集上的平均准确率(Average Precision,AP)，若满足AP要求，则保存优化后权重参数，否则重复步骤二和三。

步骤四，利用步骤三中满足准确率要求的去噪方法进行雪天环境去噪；

去噪方法进行周围环境点云雪花去噪过程中，将输入数据的bs值设置为1以保证去噪方法输入维度与真实信息输入维度相匹配；对于去噪方法的输出

有益效果：

1、本发明技术方案采用基于深度学习的去噪方法对雪天行车环境中激光雷达数据中产生的雪花噪音进行去噪处理。通过对激光雷达产生的点云数据进行预处理，将三维点云信息映射到二维深度图上，在保存了完整点云信息的同时避免了在去噪方法中应用三维卷积对去噪过程产生的大量计算开销。通过深度学习方法准确辨别二维深度图中的雪花信息并进一步将其滤除，实现雪天行车环境中的点云去噪。

2、本发明公开的雪天去噪方法是一种基于深度学习的方法。通过构建一种完全对称的卷积神经网络，合理安排卷积处理及残差注意力处理的顺序，能够在对周围环境障碍物及雪花特征进行有效提取的同时保证方法输入输出的一致性，整个方法处理数据方便快捷。配合GPU对去噪方法进行加速，还可以进一步提升去噪方法的运算速度，满足点云去噪方法的实时性要求。

3、本发明公开的雪天去噪方法利用残差注意力处理以及离散小波变换处理，可以一定程度上提高对雪花特征的提取能力，避免雪花分布非典型情况下去噪方法对非雪花点云进行错误消除。

附图说明

图1为通过本发明公开的去噪方法步骤一中以激光雷达为原点的笛卡尔坐标系的方向示意图；

图2为通过本发明公开的去噪方法步骤一中构建的雷达点云深度图的坐标方向示意图；

图3为通过本发明公开的去噪方法步骤二中点云去噪方法示意图；

图4为通过本发明公开的去噪方法步骤二中点云去噪方法中残差注意力处理示意图；

图5为通过本发明公开的去噪方法对含雪花点云数据进行去噪的对比图。

具体实施方式

为了更好的说明本发明的目的、内容和优点，下面结合附图和实例对发明内容做进一步说明。

本发明提供一种雪天行车环境适用于机械式激光雷达的点云去噪方法，在雪天环境下，操纵在车顶装备有机械激光雷达的无人驾驶汽车在道路上以中低速行驶。

步骤一，采集雪天行车环境下激光雷达产生的点云数据，构造点云数据深度信息张量；对点云数据进行标注，生成机械激光雷达点云去噪方法数据集；

1)对点云数据进行处理，构造点云数据深度信息张量；对雪天行车环境下激光雷达产生的点云数据进行预处理，设激光雷达产生的一帧点云数据为二维矩阵

步骤1.1，对激光雷达点云集合{M

θ

r

其中θ

步骤1.2，r

x

y

其中，x

对式(3)和(4)进行变换得到式(7)和(8)：

步骤1.3，获取栅格中

由于激光雷达的射线在存在距离过远或被吸收而在栅格图上某索引处没有值

步骤1.4，对于任意激光雷达点(x

2)对点云数据进行标注，

对激光雷达点云集合{M

对S

3)将T

步骤二，

将训练集拆分为100个子集，其中每个子集包含30个T和Ya，设每个子集中T的集合为X，Ya的集合为Y。则对任意X进行以下处理：

1)设卷积处理为：

Mid

Mid

Out

(10)中的conv表示二维卷积核操作，In

以X作为卷积处理的输入，执行两次卷积处理，得到输出X

2)对X

3)设残差注意力处理：

(13)-(15)中，In

4)对X

5)对X

6)对X

7)对X

8)对X

9)将X

(16)中，e为自然常数，

10)将

(17)中，F表示F-范数，bs取30。

11)根据计算得到的

12)对训练集中的所有子集，循环1)到11)，对损失函数设定阈值v，当损失函数值小于阈值v时，终止循环，保存1)到10)中所有卷积操作和残差注意力操作中的权重参数。

步骤三，利用步骤二中含优化后权重参数的点云数据去噪方法处理测试集的激光雷达点云集合，将输出与测试集中的标签数据进行比较，计算去噪方法在测试集上的平均准确率(Average Precision,AP)，若满足AP要求，则保存权重参数，否则重复步骤二。

步骤四，

利用训练好且满足测试集评价指标的雪天行车环境激光雷达点云数据去噪方法进行雪天环境去噪。去噪方法进行周围环境点云雪花去噪过程中，将输入数据的bs值设置为1以保证去噪方法输入维度与真实信息输入维度相匹配；对于去噪方法的输出

通过本实施例的激光雷达点云数据去噪方法，在雪天环境下运用无人车搭载的激光雷达进行数据采集并进行去噪测试，测试结果如图5所示，其中左半部分为激光雷达原始点云数据，右半边为去噪方法处理后的点云数据。可以看出，经过去噪方法处理后的激光雷达点云数据中雪花噪点被有效去除。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。