[发明专利]用于无人驾驶的三维激光雷达点云高效K-最近邻搜索算法

权利要求书

1.一种用于无人驾驶的三维激光雷达点云高效K-最近邻搜索方法，其特征在于，包括以下步骤：

步骤1、计算一个无序点云数据集的轴对齐边界框；

步骤2、根据用户设定的期望半径R将上一步获得的轴对称边界框划分成S个三维立体空间体，每个三维立体空间体定义为一个体素，每个体素的棱长为R_re，R_re≥R；

步骤3、遍历步骤1中无序点云数据集中的每个点云数据，计算每个点云数据所属的具体体素以及每个体素所包含的点云数据的数量；

步骤4、依据每个体素所包含的点云数据的数量，将相应的体素进一步划分为多个子体素，设第i个体素中包含N_i个点云数据，i＝1,2,…,I，若N_iT，T为预先设定的阈值，则将第i个体素划分为J个子体素，且保证式中，N_j表示第j个子体素包含的点云数据的数量；A为由用户调节或由场景动态调节的参数；

步骤5、通过步骤1至步骤4将无序点云数据集分割成了一系列的体素和子体素，这一系列的体素和子体素构成了DSVS数据结构，所述DSVS数据结构包含配置信息，该配置信息包括体素的总个数、哪些体素被划分成了子体素、相应子体素的个数，每个体素及子体素中包含哪些点云数据以及体素的棱长R_re；

步骤6、基于DSVS数据结构，利用K-最近邻搜索算法对某个搜索点进行搜索，获得当前搜索点在期望半径R内的K-最近邻个点云数据，包括以下步骤：

步骤601、计算得到搜索点所属的体素，将该体素定义为当前体素；

步骤602、计算搜索点与当前体素相邻的各体素和/或子体素的距离，由距离在一定范围内的相邻的各体素和/或子体素以及当前体素组成搜索域；

步骤603、遍历搜索域中的各点云数据，计算获得各点云数据中与搜索点最邻近的K个点云数据。

2.如权利要求1所述的一种用于无人驾驶的三维激光雷达点云高效K-最近邻搜索方法，其特征在于，步骤2中，划分所述三维立体空间体还考虑内存限制，内存限制指的是：若依据所述期望半径R获得的所述体素数目大于内存所允许的最大数目M，则进行轴对称边界框划分时，每个所述体素的棱长R_re大于期望半径R，使得划分得到的所述体素数目不大于M；若依据所述期望半径R获得的所述体素数目不大于内存所允许的最大数目M，则进行轴对称边界框划分时，每个所述体素的棱长R_re等于期望半径R。

3.如权利要求1所述的一种用于无人驾驶的三维激光雷达点云高效K-最近邻搜索方法，其特征在于，在步骤5之后并步骤6之前，还包括以下步骤：

获得由搜索点组成的搜索集，在DSVS数据结构及配置信息的基础上，将无序点云数据集以及搜索集进行排序，使搜索集中位于相同体素或子体素的搜索点物理地址相邻且连续，从而可以连续传输搜索点进入FPGA，并且在FPGA上做到同时读取同一体素或子体素中的多个数据。

4.如权利要求3所述的一种用于无人驾驶的三维激光雷达点云高效K-最近邻搜索方法，其特征在于，步骤603中，在遍历搜索过程中，使用FPGA通过函数内流水线以及函数间数据流的形式并行搜索所述最邻近的K个点云数据。

5.一种如权利要求1所述的K-最近邻搜索方法在无人驾驶中的点云地图匹配过程中的应用，其特征在于，无人驾驶中已构建的3D点云地图为所述步骤1中的所述无序点云数据集，则采用所述步骤1至步骤5构建3D点云地图的所述DSVS数据结构；无人驾驶中实时获得的点云数据为所述步骤6中的所述搜索点，则采用所述步骤6搜索得到3D点云地图中与实时获得的点云数据最邻近的K个点云数据，从而实现点云地图的匹配。