一种数据降噪的方法及装置

技术领域

本说明书涉及无人驾驶技术领域，尤其涉及一种数据降噪的方法及装置。

背景技术

无人驾驶领域中，通过激光雷达获取点云数据是无人驾驶设备感知周围环境的重要手段之一。正常情况下，环境中雨雾、灰尘、汽车尾气、扬尘、雾霾、风沙等粒子不会对无人驾驶设备造成危害，可以穿行而过。但是，由于激光雷达的固有特性，当光束打到这些粒子上时同样会被反射回来，无人驾驶设备可能将这些粒子识别成影响无人驾驶设备正常行进的障碍物，进而导致决策算法决策失误，出现急刹等异常操作，影响无人驾驶设备的正常行进。

然而，目前还无法有效地清除这些粒子的点云数据，以避免决策失误的情况出现。

发明内容

本说明书提供一种数据降噪的方法及装置，以部分的解决现有技术存在的上述问题。

本说明书采用下述技术方案：

本说明书提供了一种数据降噪的方法，包括：

获取待处理点云数据；

针对所述待处理点云数据中包含的每个点云点，确定该点云点对应的点云点特征，所述点云点特征包括：该点云点与邻近的每个其他点云点之间的空间分布差异特征，以及该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征中的至少一种；

根据所述待处理点云数据中每个点云点所对应的点云点特征，从所述待处理点云数据中识别出噪点；

根据识别出的所述噪点，对所述待处理点云数据进行降噪。

可选地，所述待处理点云数据是由激光雷达采集的，所述激光雷达包括若干个激光器；

该点云点的邻近的其他点云点包括：与该点云点对应的激光器相邻近的其他激光器在采集到该点云点的同一时刻采集到的点云点；和/或，该点云点对应的激光器在与该点云点采集时刻相邻近的扫描周期采集到的点云点。

可选地，所述点云点特征包括该点云点与邻近的每个其他点云点之间的空间分布差异特征时，确定该点云点对应的点云点特征，具体包括：

根据该点云点对应的三维坐标，以及所述每个其他点云点所对应的三维坐标，确定该点云点与所述每个其他点云点之间在空间位置上的空间分布差异特征。

可选地，所述点云点特征包括该点云点与邻近的每个其他点云点之间的空间分布差异特征时，确定该点云点对应的点云点特征，具体包括：

根据所述待处理点云数据，确定所述每个其他点云点对应的激光反射率以及该点云点对应的激光反射率；

根据所述每个其他点云点对应的激光反射率，以及该点云点对应的激光反射率，确定该点云点与所述每个其他点云点之间在激光反射率上的空间分布差异特征。

可选地，所述点云点特征包括该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征时，确定该点云点对应的点云点特征，具体包括：

根据预设的各栅格，确定该点云点所在的栅格，作为该点云点所在的局部空间；

确定该点云点所在的局部空间内包含的所有点云点构成的点云点群；

根据所述待处理点云数据，确定所述点云点群对应的点群分布特征。

可选地，根据所述待处理点云数据，确定所述点云点群对应的点群分布特征，具体包括：

根据所述点云点群中所包含的点云点数量，和/或所述点云点群中包含的各点云点的三维坐标，确定所述点云点群在空间位置上对应的点群分布特征。

可选地，根据所述待处理点云数据，确定所述点云点群对应的点群分布特征，具体包括：

根据所述待处理点云数据，确定所述点云点群中包含的各点云点所对应的激光反射率；

根据所述点云点群中包含的各点云点所对应的激光反射率，确定所述点云点群在激光发射率上对应的点群分布特征。

可选地，根据所述待处理点云数据中每个点云点所对应的点云点特征，从所述待处理点云数据中识别出噪点，具体包括：

针对所述待处理点云数据中的每个点云点，若确定该点云点对应的点云点特征的特征值未落入设定特征值范围内，识别该点云点为噪点。

可选地，根据所述待处理点云数据中每个点云点所对应的点云点特征，从所述待处理点云数据中识别出噪点，具体包括：

针对所述待处理点云数据中的每个点云点，将该点云点对应的点云点特征输入到预先训练的噪点识别模型中，以从所述待处理点云数据中识别出噪点。

可选地，根据识别出的所述噪点，对所述待处理点云数据进行降噪，具体包括：

从所述待处理点云数据中去除识别出的噪点，得到目标点云数据；

将所述目标点云数据输入到预设的目标物识别模型中，以从所述目标点云数据中识别出各目标物对应的点云数据；

将所述目标点云数据中除识别出的各目标物对应的点云数据以外的其他点云数据去除，得到降噪后的所述待处理点云数据。

本说明书提供了一种数据降噪的装置，包括：

获取模块，用于获取待处理点云数据；

确定模块，用于针对所述待处理点云数据中包含的每个点云点，确定该点云点对应的点云点特征，所述点云点特征包括：该点云点与邻近的每个其他点云点之间的空间分布差异特征，以及该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征中的至少一种；

识别模块，用于根据所述待处理点云数据中每个点云点所对应的点云点特征，从所述待处理点云数据中识别出噪点；

降噪模块，用于根据识别出的所述噪点，对所述待处理点云数据进行降噪。

本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述数据降噪的方法。

本说明书提供了一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述数据降噪的方法。

本说明书采用的上述至少一个技术方案能够达到以下有益效果：

在本说明书提供的数据降噪的方法中，获取待处理点云数据，再针对该待处理点云数据中包含的每个点云点，确定该点云点对应的点云点特征，其中，点云点特征可以包括：该点云点与邻近的每个其他点云点之间的空间分布差异特征，以及该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征中的至少一种，而后，根据待处理点云数据中每个点云点所对应的点云点特征，从该待处理点云数据中识别出噪点，进而根据识别出的噪点，对待处理点云数据进行降噪。

从上述方法中可以看出，本方法在获取到待处理点云数据后，可以根据点云数据中各点云点的属性特征、各点云点之间在空间上的分布差异特征，以及各点云点的属性特征在空间上的分布情况，从点云数据中识别出相较于真实障碍物来说分布情况更为松散的噪点，并进行降噪处理，减少该点云数据中所包含的噪点数目，进而减小如雨、雪、扬尘等微小颗粒的点云数据对决策算法的决策结果的影响，提高了决策算法决策的准确性。

附图说明

此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：

图1为本说明书中一种数据降噪的方法的流程示意图；

图2A-2B为本说明书提供的实施例中确定点云点邻近的其他点云点的示意图；

图3A-3B为本说明书提供的实施例中确定点云点所处的局部空间的示意图；

图4为本说明书提供的一种数据降噪的装置的示意图；

图5为本说明书提供的对应于图1的无人驾驶设备示意图。

具体实施方式

为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都属于本说明书保护的范围。

图1为本说明书中一种数据降噪的方法的流程示意图，具体包括以下步骤：

步骤S100，获取待处理点云数据。

为了解决无人驾驶设备上搭载的视觉导航系统将如雨、雪、扬尘等微小颗粒识别为障碍物，进而导致无人驾驶设备的决策算法决策异常的问题，本说明书中提供了一种数据降噪的方法。执行该数据降噪的方法时，通过激光雷达（或和激光雷达具有相似的工作原理的其他传感器设备）获取到无人驾驶设备周围环境的点云数据后，将从这些点云数据中识别出上述微小颗粒所对应的噪点，并去除掉这些噪点，减少采集的点云数据中所包含的噪点数目，进而减小如雨、雪、扬尘等微小颗粒的点云数据对决策算法的决策结果的影响。

需要说明的是，本说明书中数据降噪的方法可由无人驾驶设备执行，也可以由为该无人驾驶设备提供业务支持的服务器执行。为了方便描述，后续以无人驾驶设备为执行主体为例进行说明。

其中，无人驾驶设备可以是指无人车、机器人、自动配送设备等能够实现自动驾驶的设备。基于此，应用本说明书提供的数据降噪的方法的无人驾驶设备可以用于执行配送领域的配送任务，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。

本说明书中，上述待处理点云数据可以是无人驾驶设备通过激光雷达直接采集的点云数据。当然，无人驾驶设备也可以在采集到点云数据后，针对这些点云数据进行预处理，减少参与后续数据降噪处理的点云数据的数据量，提高数据降噪的效率。例如，多数情况下，地面不是无人驾驶设备行驶过程中的障碍物，但是，无人驾驶设备行驶过程中采集的点云数据中通常还是会包含地面点云数据，故而，在对采集到的点云数据进行数据降噪之前，可以先将采集到的点云数据中的地面点云数据去除，以减少后续数据降噪时需要处理的数据量。

具体实施中，无人驾驶设备获取通过激光雷达采集的点云数据，以及无人驾驶设备采集该点云数据所基于的地理位置。而后，无人驾驶设备确定该地理位置所对应的地图数据，并根据该地图数据，以及该点云数据中包含的每个点云点的三维坐标，从该点云数据中去除地面点云数据，得到待处理点云数据。这样，将点云数据中的地面点云数据去除后，可以有效地减少参与数据降噪的点云点的数目，进而降低了后续数据降噪过程中所需消耗的计算资源，提升了计算效率。

其中，上述地图数据可以是高精地图，该高精地图中至少包括：厘米级别的定位数据、道路标识，道路形状，以及每个车道的坡度、曲率、航向等数据。基于这些数据，结合无人驾驶设备采集点云数据时所在的地理位置，即可定位到无人驾驶设备在高精地图中对应的位置。而后，无人驾驶设备将采集的点云数据和高精地图中包含的地面数据进行匹配，再将点云数据中匹配出的地面点云数据去除，即可以得到待处理点云数据。

当然，在去除地面点云数据的同时，还可以将其他的不影响无人驾驶设备行驶的物体对应的点云数据从采集到的点云数据中去除。例如，道路两侧的路牙、花草树木、道路指示牌等。

步骤S102，针对所述待处理点云数据中包含的每个点云点，确定该点云点对应的点云点特征，所述点云点特征包括：该点云点与邻近的每个其他点云点之间的空间分布差异特征，以及该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征中的至少一种。

具体实施中，无人驾驶设备得到待处理点云数据，将针对每个点云点，确定出该点云点对应的点云点特征，进而，可以在后续数据降噪过程中，根据各点云点对应的点云点特征，识别出该点云点是否为噪点，最终，针对确定出的噪点进行去噪。

其中，上述该点云点对应的点云点特征，可以从三个不同的维度进行提取。该点云点对应的点云点特征至少可以包括：该点云点本身的属性特征、该点云点与邻近的每个其他点云点之间的空间分布差异特征，以及该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征。

下面将结合具体实例，基于上述三类点云点特征，分别对该点云点对应的点云点特征提取进行阐述说明。

一、该点云点本身的属性特征

本说明书中，该点云点本身的属性特征，能够反映出激光雷达发射的光束碰撞到的物体的特性。该点云点本身的属性特征可以包括：该点云点在三维空间中的位置、该点云点的激光反射率、该点云点的距地高度、该点云点的回波模式、该点云点的语义标签、该点云点属于该语义标签的概率中的至少一种。

其中，该点云点的激光反射率指的是，光束打到物体上后，根据该光束的回波，确定出的物体对应的激光反射率。实际场景中，激光雷达发射的光束打在每种物体表面并得到回波后，根据回波确定出的激光反射率都会落在该物体对应的激光反射率范围内。这样，针对待处理点云数据内的每个点云点，可以根据该点云点的激光反射率，确定该点云点是否是基于光束打到如雨、雪、扬尘等微小颗粒上所反射回来的回波确定的点云数据（即噪点）。

该点云点的距地高度则表示光束打在物体上的位置距离地面的高度。实际场景中，本说明书中的微小颗粒可能是地面溅起的水花、汽车尾气、浮尘等接近地面的微小颗粒，这些微小颗粒则会具有较低的距地高度。这样，当点云点对应的距地高度低于设定的高度阈值时，则该点云点是噪点的概率比较大。

该点云点的回波模式指的是，该点云点所对应的光束存在几个回波。实际场景中，雨、雪、扬尘等微小颗粒的体积比较小，相应的横截面积也比较小，而，能够影响无人驾驶设备正常行驶的障碍物的体积则相对较大，相应的横截面积也偏大。当光束打到微小颗粒上时，由于光束本身是具有一定的横截面积的，若微小颗粒无法将整个光束全部挡住，则必然存在一部分光束会掠过微小颗粒继续前进，进而导致光束对应的回波数目变多。相对而言，当光束打到障碍物上时，由于该障碍物的横截面积往往大于光束的横截面积，此时，大部分光束会被直接反射回来，仅有少部分光束会存在多道回波。基于此，可知光束对应的回波的数目越多，则该点云点越有可能是雨、雪、扬尘等微小颗粒所形成的噪点。

需要说明的是，上述提及的该点云点本身的属性特征，均是可以从待处理点云数据中直接获取的。此外，本说明书中该点云点本身的属性特征中另外一部分属性特征，是需要无人驾驶设备对待处理点云数据进行数据处理，并根据得到的数据处理结果来确定的。例如，该点云点的语义标签、该点云点属于该语义标签的概率等。

这其中，无人驾驶设备在确定该点云点的语义标签以及该点云点属于该语义标签的概率时，可以针对待处理点云数据，进行障碍物分割，得到若干障碍物点云数据。而后，无人驾驶设备针对每个障碍物点云数据，将该障碍物点云数据输入到预先训练好的语义识别模型中去，得到该障碍物点云数据对应的语义标签以及该障碍物点云数据属于该语义标签的概率。接着，无人驾驶设备可以针对该障碍物点云数据中的每个点云点，将该点云点所属的障碍物点云数据对应的语义标签，作为该点云点的语义标签并保存，并且，将该点云点所属的障碍物点云数据属于该语义标签的概率，作为该点云点的属于该语义标签的概率并保存。

需要说明的是，在进行障碍物分割时，诸如雨雪、浮尘等微小颗粒所对应的点云数据也会被分割，得到若干分割后的点云数据。而后，针对每个分割后的点云数据，将该点云数据输入到预先训练好的语义识别模型中去，得到语义识别结果。此时，该语义识别模型可能无法识别出这些点云数据对应的语义标签，或者是，识别出了这些点云数据对应的语义标签，但这些点云数据属于该语义标签的概率低。其中，上述语义标签可以包括能够影响无人驾驶设备正常行驶的障碍物的类别。

二、该点云点与邻近的每个其他点云点之间的空间分布差异特征

无人驾驶设备确定该点云点与邻近的每个其他点云点之间的空间分布差异特征时，先针对每个点云点，从该待处理点云数据中确定与该点云点邻近的每个其他点云点，而后，根据其他点云点对应的点云信息,以及该点云点对应的点云信息，确定该点云点与每个其他点云点之间的空间分布差异特征。其中，点云点对应的点云信息可以包括点云点的三维坐标、点云点的距地高度、点云点的激光反射率等。

其中，针对每个点云点来说，该点云点的邻近的每个其他点云点可以是，与该点云点对应的激光器相邻近的其他激光器在采集到该点云点的同一时刻采集到的点云点，和/或，该点云点对应的激光器在与该点云点采集时刻相邻近的扫描周期采集到的点云点。

例如，如图2A-2B所示，该激光雷达包括一列竖直排列的激光器，该激光雷达采集障碍物的点云数据时，按照垂直于激光器排列的方向旋转扫描无人驾驶设备周围的环境。这样，针对t时刻采集到的点云点3来说，该点云点3对应于激光器C，在竖直方向上存在与该激光器C相邻近的激光器B以及激光器D。如此，在光束所形成的平面（平面1）内，激光器B对应的点云点2以及激光器D对应的点云点4为该点云点3的邻近的其他点云点（参见图2A）。针对t时刻的点云点3来说，在激光器C发射出的光束所形成的平面（平面2）内，从该点云点3所对应的光束两侧，可以查找到t-T时刻的点云点3和t+T时刻的点云点3，作为该点云点3的邻近的其他点云点（参见图2B），其中，T为激光器发射光束的最小周期。

进一步地，无人驾驶设备确定出该点云点邻近的每个其他点云点后，即可针对该点云点，确定该点云点与邻近的每个其他点云点之间的空间分布差异特征。

其中，该点云点与邻近的每个其他点云点之间的空间分布差异特征至少可以包括：该点云点与每个其他点云点之间在空间位置上的空间分布差异特征，以及该点云点与每个其他点云点之间在激光反射率上的空间分布差异特征中的至少一种。

具体实施中，终端确定该点云点与每个其他点云点之间在空间位置上的空间分布差异特征时，根据该点云点对应的三维坐标，以及每个其他点云点所对应的三维坐标，确定该点云点与每个其他点云点之间在空间位置上的空间分布差异特征。其中，该点云点与每个其他点云点之间在空间位置上的空间分布差异特征可以包括：该点云点与每个其他点云点之间距地高度差值、该点云点与每个其他点云点之间欧式距离、该点云点与每个其他点云点之间共线程度等。

本说明书中，雨、雪、扬尘等微小颗粒在空间上分布比较松散，光束打到这些微小颗粒上时，针对其中的任意一个点云点来说，该点云点与邻近的每个其他点云点之间的距地高度差值比较大，该点云点与邻近的每个其他点云点之间的欧式距离之间的差值也比较大，同时，该点云点与邻近的任意两个其他点云点之间的共线程度也比较差。而，对于能够影响无人驾驶设备正常行驶的障碍物来说，必然有一个面是朝向无人驾驶设备的，当光束打在该障碍物的表面上时，该点云点与邻近的每个其他点云点之间的距地高度差值和欧式距离的差值都是比较小的，且该点云点与邻近的其他点云点之间的共线程度比较好。

例如：存在点云点A，该点云点对应的其他点云点有其他点云点B、其他点云点C、其他点云点D以及其他点云点E。当该点云点A与各其他点云点之间距地高度差值相距较大，该点云点A与各其他点云点之间的欧式距离之间的差值相距较大，且该点云点A与所有其他点云点中任意两个其他点云点之间的都不共线，该点云点A极有可能是噪点。

除了根据上述该点云点与每个其他点云点之间在空间位置上的空间分布差异特征，从待处理点云数据中识别噪点外，本说明书中还可以针对每个点云点，确定该点云点的激光反射率与对应的其他点云点的激光反射率，在空间位置上的空间分布差异特征，以从待处理点云数据中识别噪点。

具体地，终端根据待处理点云数据，确定每个其他点云点对应的激光反射率以及该点云点对应的激光反射率，而后，根据每个其他点云点对应的激光反射率，以及该点云点对应的激光反射率，确定该点云点与每个其他点云点之间在激光反射率上的空间分布差异特征。

例如：点云点A的反射率为a，该点云点对应的其他点云点有：其他点云点B、其他点云点C、其他点云点D以及其他点云点E，且其他点云点的反射率均为b，则点云点A可能是，位于包括其他点云点B、其他点云点C、其他点云点D以及其他点云点E的障碍物和无人驾驶设备之间诸如雨雪、沙尘等噪点。

三、该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征

无人驾驶设备确定该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征时，根据预设的各栅格，确定该点云点所在的栅格，作为该点云点所在的局部空间，而后，确定该点云点所在的局部空间内包含的所有点云点构成的点云点群，最后，根据待处理点云数据，确定该点云点群对应的点群分布特征。

具体实施中，无人驾驶设备需要根据预先设定的栅格分割精度，对待处理点云数据所对应的空间进行划分，得到预设的各栅格。本说明书中，可以针对该点云点的三维坐标所对应的三个维度，分别使用对应的栅格分割精度对待处理点云数据对应的空间进行分割，得到体积一致的预设的若干栅格。

当然，本说明书中在执行数据降噪的方法时，是针对每个点云点进行识别的，因此，为了进一步的减少需要处理的数据量。本说明书中，可以先确定一个投射平面，并在该投射平面内，使用预设的栅格分割精度在该投射平面确定栅格分割线，而后，基于各栅格分割线做垂直于该投射平面的分割面，对待处理点云数据所对应的空间进行划分，得到预设的各栅格。

例如，在图3A所示的空间O中，分别在X轴、Y轴、Z轴方向上按照预设的栅格分割精度，对该空间O进行分割，得到8个栅格，每个栅格对应唯一的一个局部空间。针对一个点云点，确定该点云点对应的点云点群时，首先根据该点云点的三维坐标，确定该点云点所落入的栅格，若该栅格为栅格A（图示阴影部分），则该点云点所在的局部空间为该栅格A所对应的局部空间，而后，将确定该局部空间内所包含的所有点云点构成点云点群，进而得到该点云点所在的局部空间内包含的所有点云点构成的点云点群。

例如，在图3B所示的空间O中，将由X轴和Y轴确定出的平面作为投射平面，而后，在该投射平面内的X轴方向上以及Y轴方向上，按照栅格分割精度对该投射平面进行分割，得到若干栅格分割线。接着，根据各栅格分割线做垂直于该投射平面分割面，对该空间O进行分割，得到4个栅格，每个栅格对应唯一的一个局部空间。针对一个点云点，确定该点云点对应的点云点群时，首先根据该点云点的三维坐标，确定该点云点所落入的栅格，若该栅格为栅格B（图示阴影部分），则该点云点所在的局部空间为该栅格B所对应的局部空间，而后，将确定该局部空间内所包含的所有点云点构成点云点群，进而得到该点云点所在的局部空间内包含的所有点云点构成的点云点群。

进一步地，无人驾驶设备确定出该点云点所在的局部空间内包含的所有点云点构成的点云点群后，即可确定该点云点群对应的点群分布特征。

其中，该点云点群对应的点群分布特征至少可以包括：该点云点群在空间位置上对应的点群分布特征，以及该点云点群在激光发射率上对应的点群分布特征中的至少一种。

具体实施中，无人驾驶设备确定该点云点群在空间位置上对应的点群分布特征时，根据该点云点群中所包含的点云点数量，和/或该点云点群中包含的各点云点的三维坐标，确定该点云点群在空间位置上对应的点群分布特征。同时，无人驾驶设备确定点云点群在激光发射率上对应的点群分布特征时，先根据待处理点云数据，确定该点云点群中包含的各点云点所对应的激光反射率，而后，根据该点云点群中包含的所有点云点所对应的激光反射率，确定该点云点群在激光发射率上对应的点群分布特征。

其中，该点云点群在空间位置上对应的点群分布特征至少包括：该点云点群中所包含的点云点数量、该点云点群对应的点云点密度，该点云点群中所包含的各点云点的距地高度分布等。

本说明书中，相较于障碍物来说，雨、雪、扬尘等微小颗粒的在空间上的密度比较小，若栅格所对应的局部空间内包含的点云点数目越少或是点云点密度较低，则该局部空间内的点云点越有可能是噪点。因为，该局部空间内的点云点若是障碍物的点云点，则，向该障碍物发射的光束，多数会打到该障碍物上后返回，点云点比较密集，因而，局部空间内的点云点数目也会相对较多。

若确定该点云点群中所包含的各点云点的距地高度分布中不存在均匀离散分布的距地高度区间，则该局部空间内的点云点越有可能是噪点。因为，该局部空间内的点云点若是障碍物的点云点，则，向该障碍物发射的光束，多数会打到该障碍物上后返回，这样，以点阵的形式打在障碍物上的点云点的距地高度是均匀离散分布的。

进一步地，该点云点群在激光发射率上对应的点群分布特征，可以表征该点云点群中的点云点属于噪点的可能性。例如，若点云点群内的点云点的激光反射率都落在雨水的激光反射率取值区间内，则该点云点群内的点云点极有可能是噪点。若点云点群内的点云点的激光反射率都落在车漆的激光反射率取值区间内，则该点云点群内的点云点极有可能是障碍物。具体实施中，还可以通过确定点云点群内所有点云点的激光反射率的均值（或方差、或标准差），确定该点云点群内的点云点更偏向于噪点，还是更偏向于障碍物。

步骤S104，根据所述待处理点云数据中每个点云点所对应的点云点特征，从所述待处理点云数据中识别出噪点。

具体实施中，无人驾驶设备确定出该点云点对应的点云点特征后，将根据这些点云点特征，从待处理点云数据中识别出噪点，以便于对该待处理点云数据进行降噪处理。

本说明书中，无人驾驶设备可以通过多种方式从待处理点云数据中识别出噪点。

例如，无人驾驶设备可以针对待处理点云数据中的每个点云点，判断该点云点对应的点云点特征的特征值是否未落入设定特征值范围内，若确定未落入设定特征值范围内，则识别该点云点为噪点。此方案中，根据每个点云点的点云点特征，将点云点特征对应的特征值明显表现为噪点的点云点识别出来，以进行降噪处理。

再例如，无人驾驶设备可以针对待处理点云数据中的每个点云点，将该点云点对应的点云点特征输入到预先训练的噪点识别模型中，以从待处理点云数据中识别出噪点。此方案中，需要使用带有标签的点云点的点云数据，从每个点云点的点云数据中提取出上述点云点特征，来预先训练噪点识别模型。而后，利用训练好的噪点识别模型，对待处理点云数据中的每个点云点进行噪点识别，从该待处理点云数据中确定出噪点，以从待处理点云数据中去除掉这些噪点，达到降噪的目的。上述噪点识别模型可以通过支持向量机（support vector machines，SVM）、随机森林、神经网络、XGBoost分类器等机器学习模型实现。

当然，本说明书中还可以将上述两种噪点识别方法结合使用。具体地，无人驾驶设备可以先针对待处理点云数据中的每个点云点，若确定该点云点对应的点云点特征的特征值未落入设定特征值范围内，识别该点云点为噪点。而后，无人驾驶设备确定待处理点云数据中未被识别为噪点的每个点云点，并将每个点云点对应的点云点特征输入到预先训练的噪点识别模型中，以进一步地从这些未被识别为噪点的点云点中识别出噪点。

步骤S106，根据识别出的所述噪点，对所述待处理点云数据进行降噪。

具体实施中，无人驾驶设备识别出噪点后，将从待处理点云数据中去除识别出的噪点，得到目标点云数据，而后，将该目标点云数据输入到预设的目标物识别模型中，以从目标点云数据中识别出各目标物对应的点云数据，进一步地，将该目标点云数据中除识别出各目标物对应的点云数据以外的其他点云数据去除，得到降噪后的待处理点云数据。

上述，目标点云数据是根据各点云点的点云点特征从待处理点云数据识别出噪点，并去除掉这些识别出的噪点后得到的待处理点云数据。该目标物识别模型可以是障碍物识别模型，无人驾驶设备可以通过该目标物识别模型从目标点云数据中识别出待处理点云数据中包含的障碍物，进而可以基于识别出的障碍物，对目标点云数据进行进一步的降噪处理，得到更为精准的障碍物点云数据，以满足后续数据处理的需求。

例如，车辆在雨天行驶过积水路段时，车身下半部分会存在大量水花，若与车体相距极近的水花对应的点云数据，在上述根据点云点的点云点特征进行降噪时未被识别为噪点，则可以将去除掉识别出的噪点的目标点云数据输入到预设的目标物识别模型中去，从该目标点云数据中识别出障碍物，而后，根据识别出的障碍物的轮廓，进一步地去除位于车体附近的水花对应的噪点。

基于上述步骤，无人驾驶设备在获取到待处理点云数据后，可以根据点云数据中各点云点的属性特征、各点云点之间在空间上的分布差异特征，以及各点云点的属性特征在空间上的分布情况，从点云数据中识别出相较于真实障碍物来说分布情况更为松散的噪点，并进行降噪处理，减少该点云数据中所包含的噪点数目，进而减小如雨、雪、扬尘等微小颗粒的点云数据对决策算法的决策结果的影响，提高了决策算法决策的准确性。

以上为本说明书的一个或多个实施例提供的数据降噪的方法，基于同样的思路，本说明书还提供了相应的数据降噪的装置，如图4所示。

图4为本说明书提供的一种数据降噪的装置示意图，具体包括：

获取模块400，用于获取待处理点云数据；

确定模块401，用于针对所述待处理点云数据中包含的每个点云点，确定该点云点对应的点云点特征，所述点云点特征包括：该点云点与邻近的每个其他点云点之间的空间分布差异特征，以及该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征中的至少一种；

识别模块402，用于根据所述待处理点云数据中每个点云点所对应的点云点特征，从所述待处理点云数据中识别出噪点；

降噪模块403，用于根据识别出的所述噪点，对所述待处理点云数据进行降噪。

可选地，所述待处理点云数据是由激光雷达采集的，所述激光雷达包括若干个激光器；该点云点的邻近的其他点云点包括：与该点云点对应的激光器相邻近的其他激光器在采集到该点云点的同一时刻采集到的点云点；和/或，该点云点对应的激光器在与该点云点采集时刻相邻近的扫描周期采集到的点云点。

可选地，所述点云点特征包括该点云点与邻近的每个其他点云点之间的空间分布差异特征时，所述确定模块401，具体用于根据该点云点对应的三维坐标，以及所述每个其他点云点所对应的三维坐标，确定该点云点与所述每个其他点云点之间在空间位置上的空间分布差异特征。

可选地，所述点云点特征包括该点云点与邻近的每个其他点云点之间的空间分布差异特征时，所述确定模块401，具体用于根据所述待处理点云数据，确定所述每个其他点云点对应的激光反射率以及该点云点对应的激光反射率；根据所述每个其他点云点对应的激光反射率，以及该点云点对应的激光反射率，确定该点云点与所述每个其他点云点之间在激光反射率上的空间分布差异特征。

可选地，所述点云点特征包括该点云点所在的局部空间内包含的所有点云点构成的点云点群对应的点群分布特征时，所述确定模块401，具体用于根据预设的各栅格，确定该点云点所在的栅格，作为该点云点所在的局部空间；确定该点云点所在的局部空间内包含的所有点云点构成的点云点群；根据所述待处理点云数据，确定所述点云点群对应的点群分布特征。

可选地，所述确定模块401，具体用于根据所述点云点群中所包含的点云点数量，和/或所述点云点群中包含的各点云点的三维坐标，确定所述点云点群在空间位置上对应的点群分布特征。

可选地，所述确定模块401，具体用于根据所述待处理点云数据，确定所述点云点群中包含的各点云点所对应的激光反射率；根据所述点云点群中包含的各点云点所对应的激光反射率，确定所述点云点群在激光发射率上对应的点群分布特征。

可选地，所述识别模块402，具体用于针对所述待处理点云数据中的每个点云点，若确定该点云点对应的点云点特征的特征值未落入设定特征值范围内，识别该点云点为噪点。

可选地，所述识别模块402，具体用于针对所述待处理点云数据中的每个点云点，将该点云点对应的点云点特征输入到预先训练的噪点识别模型中，以从所述待处理点云数据中识别出噪点。

可选地，所述降噪模块403，具体用于从所述待处理点云数据中去除识别出的噪点，得到目标点云数据；将所述目标点云数据输入到预设的目标物识别模型中，以从所述目标点云数据中识别出各目标物对应的点云数据；将所述目标点云数据中除识别出的各目标物对应的点云数据以外的其他点云数据去除，得到降噪后的所述待处理点云数据。

本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的数据降噪的方法。

本说明书还提供了图5所示的无人驾驶设备的示意结构图。如图5所述，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的数据降噪的方法。当然，除了软件实现方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，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，对于系统实施例而言，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。

以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。