噪声点云识别与过滤方法、计算机设备、介质及驾驶设备

技术领域

本发明涉及自动驾驶、无人驾驶技术领域，具体涉及一种噪声点云识别与过滤方法、计算机设备、介质及驾驶设备。

背景技术

在车辆进行自动驾驶或无人驾驶时可以通过激光雷达采集车辆周围的环境点云，根据环境点云准确获取环境中障碍物的位置、距离和形状等信息，根据这些信息控制车辆进行自动驾驶或无人驾驶。

但是，在实际应用中，由于激光雷达的扫描范围比较大，因而激光雷达可能会扫描到自身所在的车辆上，即向该车辆发射激光。而发射到车辆上的激光可能发生漫反射，也可能发生镜面反射。

如果发生漫反射，那么将会采集到该车辆的点云，进而将该车辆误识别为障碍物；如果发生镜面反射，镜面反射的激光会反射到其他障碍物上形成二次反射，而根据二次反射的点云确定出来的障碍物位置与实际障碍物位置是关于二次反射的反射面镜像对称的，致使二者的偏差比较大。如图1所示，激光雷达发射的激光在车顶发生镜面反射，由镜面反射产生的点云所生成的错误障碍物会与实际障碍物关于车顶（即反射面）镜像对象。可见，无论是发生漫反射还是镜面反射，都会导致障碍物信息识别发生错误，从而影响对车辆进行自动驾驶或无人驾驶的安全性和可靠性。

相应地，本领域需要一种新的技术方案来解决上述问题。

发明内容

为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何识别激光雷达发射的激光光束在激光雷达所在车辆上反射之后产生的噪声点云，以提高自动驾驶或无人驾驶的安全性与可靠性的技术问题的噪声点云识别与过滤方法、计算机设备、介质及驾驶设备。

在第一方面，提供一种噪声点云识别方法，所述方法包括：

获取安装于驾驶设备上的激光雷达采集的点云；

获取所述点云在激光雷达坐标系中与所述激光雷达坐标系的原点相连形成的向量，所述向量表示由所述激光雷达发射至所述点云位置处的激光光束的向量；

根据所述向量判断所述激光光束是否在所述驾驶设备上发生了反射；

若是，则所述点云为噪声点云；若否，则所述点云不是噪声点云。

在上述噪声点云识别方法的一个技术方案中，所述根据所述向量判断所述激光光束是否在所述驾驶设备上发生了反射，包括：

获取所述激光雷达在所述驾驶设备上的安装部位，并获取所述安装部位在所述激光雷达坐标系中所在的平面，所述平面为与所述激光雷达坐标系的坐标轴形成的XY平面或XZ平面或YZ平面平行的平面；

对所述向量的坐标进行转换以获取新向量，所述新向量的起点由所述原点被转换到所述平面上；

获取所述驾驶设备在所述平面上的平面范围，并判断所述新向量的起点是否位于所述平面范围内；

若是，则所述激光光束在所述驾驶设备上发生了反射；

若否，则所述激光光束在所述驾驶设备上未发生反射。

在上述噪声点云识别方法的一个技术方案中，所述对所述向量的坐标进行转换以获取新向量，包括：

获取所述激光雷达在垂直于所述平面的第一坐标轴上到所述平面的距离，所述第一坐标轴为所述激光雷达坐标系的三个坐标轴中的一个；

将所述向量的坐标中在所述第一坐标轴上的第一坐标值转换成所述距离，以形成新第一坐标值；

获取所述距离与转换之前的所述第一坐标值之间的比值，将所述向量的坐标中在两个第二坐标轴上的第二坐标值分别与所述比值相乘，以形成两个新第二坐标值，所述两个第二坐标轴为所述激光雷达坐标系中除所述第一坐标轴之外剩余的两个坐标轴；

根据所述新第一坐标值与所述两个新第二坐标值，获取所述新向量。

在上述噪声点云识别方法的一个技术方案中，所述判断所述新向量的起点是否位于所述平面范围内，包括：

判断所述两个新第二坐标值是否位于所述平面范围内；

若是，则所述起点位于所述平面范围内；

若否，则所述起点没有位于所述平面范围内。

在上述噪声点云识别方法的一个技术方案中，所述安装部位为所述驾驶设备的本体顶部，所述本体顶部在所述激光雷达坐标系中所在的平面为与所述XY平面平行的平面。

在第二方面，提供一种噪声点云过滤方法，所述方法包括：

获取安装于驾驶设备上的激光雷达采集的点云；

采用上述第一方面提供的噪声点云识别方法，识别所述点云中的噪声点云；

滤除所述噪声点云。

在第三方面，提供一种计算机设备，该计算机设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述噪声点云识别或过滤方法的技术方案中任一项技术方案所述的方法。

在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述噪声点云识别或过滤方法的技术方案中任一项技术方案所述的方法。

在第五方面，提供一种驾驶设备，该驾驶设备包括上述计算机设备的技术方案所述的计算机设备。

在上述驾驶设备的一个技术方案中，所述驾驶设备为自动驾驶设备或无人驾驶设备。

本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

在实施本发明提供的噪声点云识别方法的技术方案中，在获取安装于驾驶设备上的激光雷达采集的点云之后，可以获取点云在激光雷达坐标系中与激光雷达坐标系的原点相连形成的向量，该向量表示由激光雷达发射至点云位置处的激光光束的向量；然后，根据该向量判断激光光束是否在驾驶设备上发生了反射；若是，则点云为噪声点云；否则不是噪声点云。基于上述实施方式，可以将发射至点云位置处的激光光束以向量的形式表达，利用向量准确地判断出该激光光束是否在驾驶设备上发生了反射，从而准确地判断出点云是否为噪声点云。

附图说明

参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：

图1是由车辆反射产生的点云形成错误障碍物的示意图；

图2是根据本发明的一个实施例的噪声点云识别方法的主要步骤流程示意图；

图3是根据本发明的一个实施例的根据向量判断激光光束是否在驾驶设备上发生了反射的方法的主要步骤流程示意图；

图4是根据本发明的一个实施例的对向量的坐标进行转换使得新向量的起点由原点被转换至激光雷达安装部位所在平面的示意图；

图5是根据本发明的一个实施例的新向量的起点位于平面范围内的示意图；

图6是根据本发明的一个实施例的噪声点云过滤方法的主要步骤流程示意图；

图7是根据本发明的一个实施例的对噪声点云过滤之前的点云示意图；

图8是对图7所示的点云进行噪声点云过滤之后的点云示意图；

图9是根据本发明的一个实施例的计算机设备的主要结构示意图。

具体实施方式

下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

在本发明的描述中，“处理器”可以包括硬件、软件或者两者的组合。处理器可以是中央处理器、微处理器、图像处理器、数字信号处理器或者其他任何合适的处理器。处理器具有数据和/或信号处理功能。处理器可以以软件方式实现、硬件方式实现或者二者结合方式实现。计算机可读存储介质包括任何合适的可存储程序代码的介质，比如磁碟、硬盘、光碟、闪存、只读存储器、随机存取存储器等等。

下面对本发明提供的噪声点云识别方法的实施例进行说明。

参阅附图2，图2是根据本发明的一个实施例的噪声点云识别方法的主要步骤流程示意图。如图2所示，本发明实施例中的噪声点云识别方法主要包括下列步骤S101至步骤S105。

步骤S101：获取安装于驾驶设备上的激光雷达采集的点云。

驾驶设备指的是能够按照预设轨迹移动的设备，包括但不限于：车辆、扫地机器人、擦窗机器人等，车辆可以是无人车、自动驾驶车辆等。

以车辆为例，激光雷达可以安装在车顶上方、车头中间、车头两侧等位置，本实施例不对激光雷达在驾驶设备上的安装部位作具体限定。

步骤S102：获取点云在激光雷达坐标系中与激光雷达坐标系的原点相连形成的向量，向量表示由激光雷达发射至点云位置处的激光光束的向量。

激光雷达坐标系是指以激光雷达所在位置为原点的三维直角坐标系。在本实施例中可以采用激光雷达技术领域中的常规方法来建立或确定或获取激光雷达坐标系。

对于点云与上述原点相连形成的向量，向量的起点为激光雷达坐标系的原点，向量的终点为点云所在位置处。以点云在激光雷达坐标系的坐标为(x,y,z)为例，上述原点的坐标为(0,0,0)，因此可以确定上述向量的坐标为(x,y,z)。

步骤S103：根据向量判断激光光束是否在驾驶设备上发生了反射。

若发生了反射，则表明点云是由激光光束在驾驶设备上反射后产生的噪声点云，因此转至步骤S104。

若未发生反射，则表明点云不是由激光光束在驾驶设备上反射后产生的噪声点云，因此转至步骤S105。

步骤S104：判定点云为噪声点云。

步骤S105：判定点云不是噪声点云。

基于上述步骤S101至步骤S105所述的方法，可以将发射至点云位置处的激光光束以向量的形式表达，利用向量准确地判断出发射至点云位置处的激光光束是否在驾驶设备上发生了反射，从而准确地判断出点云是否为噪声点云。

在根据本发明实施例的一个应用场景中，可以在无人车上安装激光雷达，在无人车进行无人驾驶的过程中获取激光雷达采集的点云，然后采用根据本发明实施例的噪声点云识别方法从这些点云中识别出噪声点云并滤除这些噪声点云，得到过滤后的点云。进而，根据过滤后的点云感知无人车周围障碍物的位置、速度、尺寸等信息，再根据这些信息规划无人车的行驶路径，并控制无人车按照行驶路径自动行驶。通过识别并滤除噪声点云，可以准确感知障碍物信息，从而保证无人驾驶的安全性和可靠性。

下面对上述步骤S103作进一步说明。

在上述步骤S103的一些实施方式中，可以通过图3所示的下列步骤S1031至步骤S1036，判断激光光束是否在驾驶设备上发生了反射。

步骤S1031：获取激光雷达在驾驶设备上的安装部位，并获取安装部位在激光雷达坐标系中所在的平面。

平面为与激光雷达坐标系形成的XY平面或XZ平面或YZ平面平行的平面。其中，激光雷达坐标系的X轴可以指向驾驶设备前向行驶方向，Y轴可以指向驾驶设备左侧，Z轴可以竖直向上。

在一些实施方式中，安装部位可以为驾驶设备的本体顶部，此时本体顶部在激光雷达坐标系中所在的平面为与XY平面平行的平面。以车辆为例，激光雷达安装在车顶上方，激光雷达的安装部位，即车顶所在的平面为与XY平面平行的平面。此外，如果激光雷达安装在车头中间，那么安装部位所在的平面为与YZ平面平行的平面。如果安装在车头两侧，那么安装部位所在的平面为与XZ平面平行的平面。

步骤S1032：对向量的坐标进行转换以获取新向量，新向量的起点由原点被转换到平面上。

具体地，可以对向量的坐标进行向量空间运算，将向量的起点坐标转换到上述平面上。

步骤S1033：获取驾驶设备在平面上的平面范围。

激光雷达的安装部位在激光雷达坐标系中所在的平面，是一个没有范围限制的二维平面，在此步骤中需要获取驾驶设备在这个二维平面上覆盖或占据的区域范围，即平面范围。

以车辆和安装部位为车顶上方为例，要获取车辆在与XY平面平行的平面上的平面范围。这个平面范围可以由激光雷达分别与车头、车尾和车两侧的距离，计算出来。本发明实施例不对获取这个平面范围的方法作具体限定，只要能够获取到驾驶设备在平面上的平面范围即可。

步骤S1034：判断新向量的起点是否位于平面范围内。

若位于平面范围，则表明激光光束由激光雷达发射出之后，先达到了驾驶设备，因而才导致新向量的起点会位于平面范围内，再由驾驶设备反射到了点云位置处，可见此时激光光束在驾驶设备上发生了反射，因此转至步骤S1035；

若没有位于平面范围，则表明激光光束由激光雷达发射出之后，没有在驾驶设备上反射，而是直接达到了点云位置处，因此转至步骤S1036。

步骤S1035：判定激光光束在驾驶设备上发生了反射。

步骤S1036：判定激光光束没在驾驶设备上发生反射。

基于上述步骤S1031至步骤S1036所述的方法，可以利用新向量的起点位置，准确地判断出激光光束是否在驾驶设备上发生了反射。

下面对上述步骤S1032和步骤S1034作进一步说明。

在上述步骤S1032的一些实施方式中，可以通过下列步骤11至步骤14，对向量的坐标进行转换以获取新向量。

步骤11：获取激光雷达在垂直于平面的第一坐标轴上到平面的距离，第一坐标轴为激光雷达坐标系的三个坐标轴中的一个。

其中，平面为前述实施方式中步骤S1031得到的安装部位在激光雷达坐标系中所在的平面。

步骤12：将向量的坐标中在第一坐标轴上的第一坐标值转换成距离，以形成新第一坐标值。也就是说，将第一坐标值的数值转换成该距离的数值，新第一坐标值的数值就是这个距离的数值。

步骤13：获取距离与转换之前的第一坐标值之间的比值，将向量的坐标中在两个第二坐标轴上的第二坐标值分别与这个比值相乘，以形成两个新第二坐标值，这两个第二坐标轴为激光雷达坐标系中除第一坐标轴之外剩余的两个坐标轴。

步骤14：根据新第一坐标值与两个新第二坐标值，获取新向量。也就是说，将新第一坐标值与两个新第二坐标值作为新向量的三个坐标值，得到新向量的坐标。

下面结合附图4对上述过程进行简单说明。

如图4所示，激光雷达安装在车顶上方，一个点云在激光雷达坐标系中与激光雷达坐标系的原点相连形成的向量（即图4中的原始向量）的坐标为(x,y,z)。车顶在激光雷达坐标系中所在的平面为与XY平面平行的平面，激光雷达在垂直于该平面的第一坐标轴（即Z轴）上到该平面的距离为h，将原始向量的坐标(x,y,z)的第一坐标值（即z）转换成h。然后，获取距离h与转换之前的第一坐标值z之间的比值，即

基于上述步骤11至步骤14所述的方法，可以通过对向量坐标进行比例伸缩变换，便捷地且准确地将新向量的起点由原点变换到平面上。

在上述步骤S1034的一些实施方式中，在判断新向量的起点是否位于平面范围内时，可以获取上述步骤13得到的两个新第二坐标值，然后判断这两个新第二坐标值是否位于平面范围内。若位于，则判定新向量的起点位于平面范围内；否则没有位于平面范围内。

如图5所示，新向量的两个新第二坐标值

通过这种方法，可以利用向量的坐标便捷且准确地判断出新向量的起点是否位于平面范围内。

下面对本发明提供的噪声点云过滤方法的实施例进行说明。

参阅附图6，图6是根据本发明的一个实施例的噪声点云过滤方法的主要步骤流程示意图。如图6所示，本发明实施例中的噪声点云6方法主要包括下列步骤S201至步骤S203。

步骤S201：获取安装于驾驶设备上的激光雷达采集的点云。

步骤S202：采用噪声点云识别方法，识别点云中的噪声点云。

此步骤中的噪声点云识别方法可以采取前述方法实施例所述的噪声点云识别方法。

步骤S203：滤除噪声点云。

参阅附图7和附图8，图7为滤除噪声点云之前的点云示意图，图8为滤除噪声点云之后的点云示意图。如图7所示，在采用噪声点云识别方法进行噪声点云识别之后，可以确定位于矩形框内的点云为噪声点云，将这些噪声点云滤除之后就可以形成图8所示的点云。

基于上述步骤S201至步骤S203所述的方法，可以准确得到不包含噪声点云（激光光束在驾驶设备上反射产生的点云）的点云数据，从而有利于根据点云数据准确地感知出环境中存在的障碍物等信息。

需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时（并行）执行或以其他顺序执行，这些调整之后的方案与本发明中描述的技术方案属于等同技术方案，因此也将落入本发明的保护范围之内。

本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

进一步，本发明还提供了一种计算机设备。

参阅附图9，图9是根据本发明的一个计算机设备实施例的主要结构示意图。如图9所示，本发明实施例中的计算机设备主要包括存储装置和处理器，存储装置可以被配置成存储执行上述方法实施例的噪声点云识别或过滤方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的噪声点云识别或过滤方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。

在本发明实施例中计算机设备可以是包括各种电子设备形成的控制装置设备。在一些可能的实施方式中，计算机设备可以包括多个存储装置和多个处理器。而执行上述方法实施例的噪声点云识别或过滤方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器加载并运行以执行上述方法实施例的噪声点云识别或过滤方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置中，每个处理器可以被配置成用于执行一个或多个存储装置中的程序，以共同实现上述方法实施例的噪声点云识别或过滤方法，即每个处理器分别执行上述方法实施例的噪声点云识别或过滤方法的不同步骤，来共同实现上述方法实施例的噪声点云识别或过滤方法。

上述多个处理器可以是部署于同一个设备上的处理器，例如上述计算机设备可以是由多个处理器组成的高性能设备，上述多个处理器可以是该高性能设备上配置的处理器。此外，上述多个处理器也可以是部署于不同设备上的处理器，例如上述计算机设备可以是服务器集群，上述多个处理器可以是服务器集群中不同服务器上的处理器。

进一步，本发明还提供了一种计算机可读存储介质。

在根据本发明的一个计算机可读存储介质的实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的噪声点云识别或过滤方法的程序，该程序可以由处理器加载并运行以实现上述噪声点云识别或过滤方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。

进一步，本发明还提供了一种驾驶设备。

在根据本发明的一个驾驶设备的实施例中，驾驶设备可以包括上述计算机设备实施例所述的计算机设备。在本实施例中驾驶设备可以是自动驾驶车辆、无人车等车辆，也可以是扫地机器人、擦窗机器人等智能设备。

至此，已经结合附图所示的一个实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。