[发明专利]一种基于三维激光雷达传感器的端到端点云数据压缩方法

说明书

本发明涉及激光雷达传感器及自动驾驶技术领域，更具体地，涉及一种基于三维激光雷达传感器的端到端点云数据压缩方法。方法结合了一个具有三通道融合邻域曲率和密度特征的编码器和一个具有额外可训练参数的鲁棒解码器。结合特征信息，ConvLSTM在点云编解码过程中可以得到更多的细节增强。交替解码和上采样的结构保证了点云的准确恢复。此外，提出的混合损失函数具有更快的收敛速度和更好的拟合性能。实验表明，与基于Draco、八叉树和JPEG的压缩算法相比，该方法可以获得更高的压缩率和满意的压缩质量。此外，本发明的方法在不同的场景下均具有很好的泛化能力。

技术领域

本发明涉及激光雷达传感器及自动驾驶技术领域，更具体地，涉及一种基于三维激光雷达传感器的端到端点云数据压缩方法。

背景技术

近年来无人驾驶汽车发展迅速，扫描成像激光雷达作为无人驾驶一种有效的解决方案，吸引着世界各国都在积极开展车载激光雷达的研究。车载激光雷达作为无人驾驶技术中重要的传感器之一，对于保证无人驾驶汽车行车安全具有重要意义。随着无人驾驶产业的进一步发展，车载激光雷达市场前景广阔。

其中，三维激光雷达是一种基于光电探测的主动遥感设备，可以获得更宽的视场和更直接的三维环境信息。目前，三维激光雷达已广泛应用于智能机器人的识别、分割、规划等领域。随着上述优点同时到来的问题是：常规的多线三维激光雷达可以提供多达数百万的点云数据。如此海量的传感器数据需要巨大的计算能力，这给计算能力有限的车载单元带来了严峻的挑战。

为了减少对OBU的计算需求，2007年DARPA城市挑战总结提出了一种混合式自动驾驶机制，即在车辆、路边基础设施和云之间共享信息。但是网络传输能力远远不足以直接传输多传感器数据，特别是对于三维激光雷达。

发明内容

本发明为克服上述现有技术中的至少一个缺陷，提供一种基于三维激光雷达传感器的端到端点云数据压缩方法，能够有效地压缩三维激光雷达点云数据流，在处理点云流编解码中获得较高的精度。

为解决上述技术问题，本发明采用的技术方案是：一种基于三维激光雷达传感器的端到端点云数据压缩方法，包括以下步骤：

S1.使用特征滤波提取曲率和密度特征，分别使用滤波函数来逐点计算和过滤每一帧的曲率和密度；

S2.归一化与重排列：对过滤后的点云进行归一化和重排；

S3.点云编码神经网络：在这个过程中编码器采用三通道同时提取和压缩点云数据流及其对应的曲率和密度；

S4.点云解码神经网络：发送到解码器的编码特征被解码并交替地上采样，最后恢复到与输入进编码网络数据同样的大小。

本发明提供了一种三维激光雷达的端到端点云数据流压缩方法，该方法包括了特征滤波、归一化、点云编码网络和解码网络四个部分。本发明提出的方法是基于LSTM网络的点云序列结构压缩，具有动态处理功能，能够有效地压缩三维激光雷达点云数据流。本方法首先使用特征滤波提取曲率和密度特征，分别使用滤波函数来逐点计算和过滤每一帧的曲率和密度。它不仅可以调整原始点云数据的大小，还可以提取特征从而提高解码准确性。曲率和密度特征将补充网络对点云特征的学习和提取。第二部分是归一化与重排列，用来提高神经网络的学习效率。下一部分是点云编码神经网络，在这个过程中编码器采用三通道同时提取和压缩点云数据流及其对应的曲率和密度。它们在神经网络中共同作为特征参与学习，从而保证了神经网络的细节准确性。最后一个部分是点云解码神经网络，发送到解码器的编码特征被解码并交替地上采样，最后恢复到与输入进编码网络数据同样的大小。对于点云数据流，该算法逐帧动态进行数据处理，实现了三维激光雷达端到端的点云数据流压缩。相对于需要更多信息来保持点云特征精度的编码过程，解码过程可以适当简化，以加快深度学习网络的推理速度。