一种诱导变异的快速激光雷达样本生成方法技术

本发明专利技术涉及样本生成的技术领域，揭露了一种诱导变异的快速激光雷达样本生成方法，所述方法包括：采集行驶环境激光雷达点云特征数据；对采集的激光雷达点云特征数据进行点云数据聚合处理；提取聚合处理后点云数据簇的线性特征，并使用多元数据分割技术对线性特征进行重构；基于重构的拓扑特征生成的行驶环境；利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本，并生成其测试行驶环境；构建行驶环境一致性评估模型，若真实行驶环境与测试行驶环境的一致性较高则说明生成样本有效。本发明专利技术实现基于诱导变异策略的快速激光雷达样本生成，基于行驶环境一致性评估的样本有效性判断，快速生成有效的激光雷达样本。本。本。

【技术实现步骤摘要】
一种诱导变异的快速激光雷达样本生成方法


[0001]本专利技术涉及样本生成的
，尤其涉及一种诱导变异的快速激光雷达样本生成方法。

技术介绍

[0002]激光雷达是无人探测车的环境感知传感器，能产生在信息表达上比二维数据更有优势的三维点云数据，能够有效刻画行驶环境。随着激光雷达传感器在无人探测车辆上逐渐普及，激光雷达的安全性和稳定性也受到越来越多的关注。现有的无人探测车辆自主探测依赖于大量的训练样本空间，而由于行驶环境的差异性，激光雷达输入域空间难以覆盖所有可能行驶场景，存在一定安全和稳定隐患。针对该问题，本专利技术提出一种诱导变异的快速激光雷达样本生成方法，在保证激光雷达样本有效性的同时，提高激光雷达样本的生成速度，增强样本鲁棒性。

技术实现思路

[0003]有鉴于此，本专利技术提供一种诱导变异的快速激光雷达样本生成方法，目的在于获取激光雷达的点云数据，通过从点云数据的点云坐标以及点云强度对点云数据进行评估，根据不同点云数据的评估结果确定点云数据被诱导的概率，其中邻域点云越多，点云强度越大的点云数据被诱导变异的概率越大，而对邻域点云越多和点云强度大的点云数据进行变异，变异结果处于采集点云数据范围内的概率较大，避免生成过于异常的激光雷达样本，并基于启发式优化算法快速实现激光雷达样本的生成；分别将所采集的激光雷达点云特征数据以及生成的激光雷达样本构建为无人驾驶车辆的真实行驶环境以及测试行驶环境，并比较两种环境的一致性，一致性较高则说明所生成激光雷达样本可以有效描述无人驾驶车辆的真实行驶环境，即所生成激光雷达样本具有较高的有效性，通过快速生成有效激光雷达样本，以增强训练无人探测车辆自主探测模型的样本鲁棒性。
[0004]实现上述目的，本专利技术提供的一种诱导变异的快速激光雷达样本生成方法，包括以下步骤：S1：采集无人探测车辆行驶环境激光雷达点云特征数据，所述激光雷达点云特征数据包括点云数量、坐标以及强度信息；S2：对采集的激光雷达点云特征数据进行点云数据聚合处理，得到点云数据簇；S3：提取聚合处理后点云数据簇的线性特征，并使用多元数据分割技术对线性特征进行重构，得到重构的拓扑特征；S4：基于重构的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境，其中基于采集数据生成的行驶环境为真实行驶环境；S5：利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本，对于生成的激光雷达样本，按照步骤S2、S3以及S4生成测试行驶环境；S6：构建行驶环境一致性评估模型，将真实行驶环境以及测试行驶环境输出到模
型中，模型输出两者的相似性评估结果，若相似性评估结果大于预设阈值，则说明所生成的激光雷达样本有效，否则表示生成样本无效。
[0005]作为本专利技术的进一步改进方法：可选地，所述S1步骤中采集无人探测车辆行驶环境激光雷达点云特征数据，包括：所述无人探测车辆的激光雷达在车辆行驶过程中向周围发出激光束，激光束探测得到周围环境物体的位置坐标以及表面材质，将激光束探测的返回结果集合作为激光雷达点云特征数据，采集无人探测车辆在正常行驶过程中行驶环境的激光雷达点云特征数据；所述激光雷达点云特征数据包括点云数量、坐标以及强度信息，每个点云表示激光雷达所发出的一条激光束的探测结果，点云集合表示激光雷达点云特征数据，所述点云数量等于激光雷达所发出的激光束数目，点云坐标为激光束所探测到物体的位置坐标，点云强度为反射激光束的强度，物体的表面材质不同，反射激光束的强度不同；所述激光雷达点云特征数据为：所述激光雷达点云特征数据为：其中：表示所采集的第i个点云；为第i个点云的位置坐标，即表示激光雷达所发出的第i条激光束所探测到物体的位置坐标；以无人探测车辆的初始位置为三维坐标系原点，无人探测车辆的初始行驶方向为三维坐标系的Y轴，构建得到无人探测车辆行驶区域的三维坐标系；表示第i个点云的强度，即表示激光雷达所发出第i条激光束的反射激光束的强度；n表示点云数量。
[0006]可选地，所述S2步骤中对采集的激光雷达点云特征数据进行点云数据聚合处理，得到点云数据簇，包括：对所述激光雷达点云特征数据中的点云数据进行聚合处理，将聚合结果作为点云数据簇，所述点云数据聚合处理流程为：S21：将所述激光雷达点云特征数据中的n个点云置于所构建的无人探测车辆行驶区域的三维坐标系，点云坐标即为点云在三维坐标系中的坐标；S22：提取所有点云在Z轴的坐标值构成点云Z轴坐标集合；S23：初始化一个Z轴簇，Z轴簇初始为空，从点云Z轴坐标集合中选取坐标轴最大的点云作为Z轴簇内的簇中心，将与簇中心距离小于的点云加入到该Z轴簇，并将Z轴簇内的点云所对应的Z轴坐标值从点云Z轴坐标集合中删除，其中为距离阈值，将其设置为5米，所述任意两个点云的距离计算公式为：其中：表示任意两个点云之间的坐标距离；S24：重复步骤S22和S23，得到个Z轴簇，每个Z轴簇内包含若干点云；S25：对于任意Z轴簇，随机选取其中的三个点云构成候选平面，选取候选平面内点
云最多的平面作为平面簇，并删除Z轴簇中属于平面簇的点云，重复该步骤，将每个Z轴簇分解为个平面簇；S26：将所得个Z轴簇以及个平面簇作为点云数据簇。
[0007]可选地，所述S3步骤中提取聚合处理后点云数据簇的线性特征，并使用多元数据分割技术对线性特征进行重构，包括：所述点云数据簇的线性特征提取流程为：提取点云数据簇中相邻平面簇的交线作为相交线特征；提取点云数据簇中相邻Z轴簇的交线作为边界线特征；将不属于相交线特征以及边界线特征的相邻簇的交线作为阶梯线特征；所述线性特征包含相交线特征、边界线特征以及阶梯线特征；利用多元分割技术对线性特征进行重构，得到重构后的拓扑特征，所述线性特征的重构流程为：S31：将具有相交线特征的平面簇作为同一平面区域的平面簇，将具有边界线特征或阶梯线特征的两个平面簇作为处于相邻空间区域的平面簇；S32：构建分层树，所构建分层树的根节点为空，其中分层树的节点均为平面簇，同一层节点属于同一平面区域，相邻层节点为处于相邻空间区域的平面簇；所述节点距离三维坐标系原点的距离越近，则该节点在同一层的节点位置越靠左，节点高度越低，则越接近根节点；S33：从根节点开始，按照从上到下，从左到右的顺序计算相邻两个节点，的相似性，其中节点在的右边或下方，所述相似性的计算方法为余弦相似度算法，若计算得到的相似性大于预设定的相似阈值，则合并相邻节点得到新节点，所述新节点即为两个平面簇的合并结果，同时计算新节点与相邻节点的相似性；若计算得到的相似性小于等于预设定的相似阈值，则选取以及其相邻节点进行相似性计算；重复该步骤，将平面簇进行合并处理；S34：重新提取平面簇合并后的线性特征，并提取合并后每个平面簇的拓扑结构特征，所述每个平面簇的拓扑结构特征包括平面簇的面积、顶点数、边数目以及各边长度，将重新提取到的线性特征以及平面簇拓扑结构特征作为重构得到的拓扑特征。
[0008]可选地，所述S4步骤中基于重构得到的拓扑特征以及最小描述长度框架生成无人探测车辆的真实行驶环境，包括：基于重构得到的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种诱导变异的快速激光雷达样本生成方法，其特征在于，所述方法包括：S1：采集无人探测车辆行驶环境激光雷达点云特征数据，所述激光雷达点云特征数据包括点云数量、坐标以及强度信息；S2：对采集的激光雷达点云特征数据进行点云数据聚合处理，得到点云数据簇；S3：提取聚合处理后点云数据簇的线性特征，并使用多元数据分割技术对线性特征进行重构，得到重构的拓扑特征；S4：基于重构的拓扑特征以及最小描述长度框架生成无人探测车辆的行驶环境，其中基于采集数据生成的行驶环境为真实行驶环境；S5：利用基于启发式算法以及所采集数据的诱导变异策略生成激光雷达样本，对于生成的激光雷达样本，按照步骤S2、S3以及S4生成测试行驶环境；S6：构建行驶环境一致性评估模型，将真实行驶环境以及测试行驶环境输出到模型中，模型输出两者的相似性评估结果，若相似性评估结果大于预设阈值，则说明所生成的激光雷达样本有效，否则表示生成样本无效。2.如权利要求1所述的一种诱导变异的快速激光雷达样本生成方法，其特征在于，所述S1步骤中采集无人探测车辆行驶环境激光雷达点云特征数据，包括：所述无人探测车辆的激光雷达在车辆行驶过程中向周围发出激光束，激光束探测得到周围环境物体的位置坐标以及表面材质，将激光束探测的返回结果集合作为激光雷达点云特征数据，采集无人探测车辆在正常行驶过程中行驶环境的激光雷达点云特征数据；所述激光雷达点云特征数据包括点云数量、坐标以及强度信息，每个点云表示激光雷达所发出的一条激光束的探测结果，点云集合表示激光雷达点云特征数据，所述点云数量等于激光雷达所发出的激光束数目，点云坐标为激光束所探测到物体的位置坐标，点云强度为反射激光束的强度，物体的表面材质不同，反射激光束的强度不同；所述激光雷达点云特征数据为：所述激光雷达点云特征数据为：其中：表示所采集的第i个点云；为第i个点云的位置坐标，即表示激光雷达所发出的第i条激光束所探测到物体的位置坐标；以无人探测车辆的初始位置为三维坐标系原点，无人探测车辆的初始行驶方向为三维坐标系的Y轴，构建得到无人探测车辆行驶区域的三维坐标系；表示第i个点云的强度，即表示激光雷达所发出第i条激光束的反射激光束的强度；n表示点云数量。3.如权利要求2所述的一种诱导变异的快速激光雷达样本生成方法，其特征在于，所述S2步骤中对采集的激光雷达点云特征数据进行点云数据聚合处理，得到点云数据簇，包括：对所述激光雷达点云特征数据中的点云数据进行聚合处理，将聚合结果作为点云数据簇，所述点云数据聚合处理流程为：S21：将所述激光雷达点云特征数据中的n个点云置于所构建的无人探测车辆行驶区域的三维坐标系，点云坐标即为点云在三维坐标系中的坐标；
S22：提取所有点云在Z轴的坐标值构成点云Z轴坐标集合；S23：初始化一个Z轴簇，Z轴簇初始为空，从点云Z轴坐标集合中选取坐标轴最大的点云作为Z轴簇内的簇中心，将与簇中心距离小于的点云加入到该Z轴簇，并将Z轴簇内的点云所对应的Z轴坐标值从点云Z轴坐标集合中删除，其中为距离阈值，将其设置为5米，所述任意两个点云的距离计算公式为：其中：表示任意两个点云之间的坐标距离；S24：重复步骤S22和S23，得到个Z轴簇，每个Z轴簇内包含若干点云；S25：对于任意Z轴簇，随机选取其中的三个点云构成候选平面，选取候选平面内点云最多的平面作为平面簇，并删除Z轴簇中属于平面簇的点云，重复该步骤，将每个Z轴簇分解为个平面簇；S26：将所得个Z轴簇以及个平面簇作为点云数据簇。4.如权利要求3所述的一种诱导变异的快速激光雷达样本生成方法，其特征在于，所述S3步骤中提取聚合处理后点云数据簇的线性特征，并使用多元数据分割技术对线性特征进行重构，包括：所述点云数据簇的线性特征提取流程为：提取点云数据簇中相邻平面簇的交线作为相交线特征；提取点云数据簇中相邻Z轴簇的交线作为边界线特征；将不属于相交线特征以及边界线特征的相邻簇的交线作为阶梯线特征；所述线性特征包含相交线特征、边界线特征以及阶梯线特征；利用多元分割技术对线性特征进行重构，得到重构后的拓扑特征，所述线性特征的重构流程为：S31：将具有相交线特征的平面簇作为同一平面区域的平面簇，将具有边界线特征或阶梯线特征的两个平面簇作为处于相邻空间区域的平面簇；S32：构建分层树，所构建分层树的根节点为空，其中分层树的节点均为平面簇，同一层节点属于同一平面区域，相邻层节点为处于相邻空间区域的平面簇；所述节点距离三维坐标系原点的距离越近，则该节点在同一层的节点位置越靠左，节点高度越低，则越接近根节点；S33：从根节点开始，按照从上到下，从左到右的顺序计算相邻两个节点，的相似性，其中节点在的右边或下方，所述相似性的计算方法为余弦相似度算法，若计算得到的相似性大于预设定的相似阈值，则合并相邻节点得到新节点，所述新节点即为两个平面簇的合并结果，同时计算新节点与相邻节点的相似性；若计算得到的相似性小于等于预设定的相似阈值，则选取以及其相邻节点进行相似性计算；重复该步骤，将平面簇进行合并处理；
S34：重新提取平面簇合并后的线性特征，并提取合并后每个平面簇的拓扑结构特征，所述每个平面簇的...

【专利技术属性】
技术研发人员：欧涛，张军，
申请(专利权)人：湖南仕博测试技术有限公司，
类型：发明
国别省市：