[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

说明书

本发明提供了一种用于无人驾驶的三维激光雷达点云高效K‑最近邻搜索算法。本发明的另一个技术方案是提供了一种上述的K‑最近邻搜索算法在无人驾驶中的点云地图匹配过程中的应用。本发明采用了一种新型的数据结构用于快速K‑最近邻搜索：使各个体素或者子体素中包含合适的点数以减少冗余搜索。本发明采用了一种基于DSVS和FPGA的新型K‑最近邻搜索算法，主要有以下特征：1.只在搜索点邻近的期望区域中搜索最近邻，这可以减少冗余点的搜索。2.优化的数据传输与访问策略，使其更契合FPGA的特性。

技术领域

本发明涉及一种用于无人驾驶中三维激光雷达点云的高效FPGA实现的K-最近邻搜索算法。

背景技术

K-最近邻搜索算法即在一个给定的数据集中，搜索距离某些给定数据最近的K个数据。可以用欧氏距离或者曼哈顿距离等来表示远近。一般的K-最近邻搜索算法有两个过程，建立搜索数据结构以及搜索K-最近邻。K-最近邻搜索被广泛的应用于计算机视觉，人工智能以及同时建图与定位等算法中。在无人驾驶领域中，海量的点云数据不均匀地分布在车身周围广阔的空间中，这让当前最先进的K-最近邻搜索算法难以有效处理。而智能车对电池使用的严格约束，也对K-最近邻搜索算法的实现提出了能耗方面的要求。

为了高效的实现大规模三维点云的K-最近邻搜索，相关专家首先在算法层次做优化。KD-Tree(参考文献【1】：D.Wehr and R.Radkowski,“Parallel kd-tree constructionon the gpu with an adaptive split and sort strategy,”International Journal ofParallel Programming,vol.46,pp.1139–1156,2018.)可以实现快速搜索，但相应的需要较长的时间来建立树形搜索结构。与KD-tree相反，GBDS(基于网格的数据结构)(参考文献【2】：P.J.S.Leite,J.M.X.N.Teixeira,T.S.M.C.de Farias,B.Reis,V.Teichrieb,andJ.Kelner,“Nearest neighbor searches on the gpu,”International Journal ofParallel Programming,vol.40,pp.313–330,2011)则可以快速建立搜索结构，但在搜索这块则逊色于KD-tree，而且其效率受限于点云的分布。GBDS的另一个缺陷在于其会在一个不断扩张的区域中搜索足够的点，这会导致大量冗余的搜索。

为了进一步提高K-最近邻搜索算法的能效比，部分研究人员考虑使用FPGA(参考文献【3】：F.B.Muslim,A.Demian,L.Ma,L.Lavagno,and A.Qamar,“Energy-efficient fpgaimplementation of the k-nearest neighbors algorithm using opencl.”in FedCSISPosition Papers,2016,pp.141–145.)或GPU(参考文献【1】)来加速这一过程。但是从结果来看，对当前已有算法的加速仍然无法同时满足实时性与低功耗需求，其能效比仍然有待进一步的提高。

发明内容

本发明的目的是：进一步提高K-最近邻搜索算法的能效比。

为了达到上述目的，本发明的技术方案是提供了一种用于无人驾驶的三维激光雷达点云高效K-最近邻搜索算法，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；