[发明专利]致密激光雷达点云

说明书

本发明涉及一种生成致密LiDAR点云的计算机实施的方法。接收由参考LiDAR点云和剩余LiDAR点云构成的多个LiDAR点云，其中，多个LiDAR点云是通过车辆的LiDAR装置在后续测量时间点的测量结果获得的。结合参考LiDAR点云和剩余LiDAR点云生成致密LiDAR点云。其中，通过校正LiDAR装置在剩余LiDAR点云的测量时间点和参考LiDAR点云的测量时间点之间的时间范围的运动，对每个剩余LiDAR点云进行转换。其中，剩余LiDAR点云中只有处于参考LiDAR点云的点周围的预定义邻域中的那些点被结合进致密LiDAR点云中。通过包含基于致密LiDAR点云的点周围的统计分布选择的多个其他点来进一步增强致密LiDAR点云。

技术领域

本发明涉及一种生成致密光探测和测距(LiDAR，激光雷达)点云的计算机实施方法、一种训练人工神经网络的计算机实施方法、一种计算机程序产品、一种非暂时性计算机可读存储介质、一种生成致密LiDAR(激光雷达)点云的装置以及一种车辆驾驶员辅助系统。

背景技术

LiDAR(激光雷达)成像系统包括发射激光束的高能激光装置。激光束被脉冲化并被光学装置反射，以照亮场景。此外，还预先规定光学检测器，它在与周围环境中的目标物体相互作用后对激光束加以检测。激光脉冲的发射触发用于测量激光束飞行时间的电路。根据测得的激光束飞行时间，可确定与LiDAR(激光雷达)系统周围环境中目标物体的各相应距离。

为获取三维立体LiDAR(激光雷达)点云，针对多个目标物体点生成距离信息。基于LiDAR(激光雷达)点云，可测定例如目标物体的大小和距离等有关目标物体的信息。通过进一步的数据分析，可确定该目标物体的类型。所述数据例如可用于驾驶员辅助系统。

US 2018/341022 A1涉及一种基于LiDAR(激光雷达)的制图方法。获取其中包括由LiDAR(激光雷达)扫描到的LiDAR(激光雷达)点云数据和由惯性测量单元(IMU)检测到的导航数据的第一和第二初始数据帧。根据预设算法，从数据帧中提取点特征、线特征和表面特征，并基于所提取的特征对数据帧进行登录。然后，本地坐标系被转换为全球坐标系，并对地图进行更新。

EP 2 272 045 B1与LiDAR(激光雷达)点云数据的登录有关。它涉及目标被其他可能为多孔状物体部分遮挡的情形。传感器可识别被遮挡材料多孔区域可见的目标部分。通过从不同传感器位置收集的数据可获得数据的聚合。

盖革(Geiger)等人于2012年在计算机视觉与模式识别会议(CVPR)上发表的文章“Are we ready for Autonomous Driving？The KITTI Vision Benchmark Suite(我们准备好自主驾驶了吗？KITTI视觉基准套件)”为基于自主驾驶平台的立体、光流、视觉测距/同步定位与地图构建(SLAM)及三维目标物体识别等任务提供基准。

盖革(Geiger)等人于2013年在国际机器人研究杂志(IJRR)上发表的文章“Visionmeets Robotics:The KITTI Dataset(视觉与机器人技术的结合：KITTI数据集)”中提供了一种用于移动机器人和自主驾驶研究领域的数据集。

LiDAR(激光雷达)数据可借助例如人工神经网络等机器学习方法进一步分析。然而，安装在移动车辆上的LiDAR(激光雷达)传感器并没有足够的深度学习用登录点可供使用。因此，为获得高质量的基准真相(GT)，必须增加点数。正如乌里希(Uhrig)等人在arXiv:1708.06500上发表的文章“Sparsity Invariant CNNs(稀疏不变的卷积神经网络(CNN))”中所示，传统的卷积网络在应用于稀疏数据时，即使在向网络提供缺失数据的位置时表现也相对较差。我们提出一种稀疏卷积层，它明确考虑了缺失数据的位置。使用所提出的设置，从KITTI基准中得到一个包括93K深度注释的RGB图像数据集。