【技术实现步骤摘要】
本专利技术涉及机器人和自动驾驶领域，具体涉及一种融合语义点云的自动驾驶场景识别方法、存储介质。
技术介绍
1、随着自动驾驶的不断发展，人们希望车辆拥有对环境完全感知的能力。因此，车辆对周围环境进行建图及实时定位自身位置(simultaneous localization and mapping，即slam)成为这一领域的关键问题。在激光雷达对周围环境进行建图及实时定位自身位置中，回环检测是必不可少的一环，而场景识别技术则是其中的关键。例如，在车辆真实运行的场景中，往往需要对车辆进行长时间和长距离的定位，但是前端里程计估计的位姿误差会随着车辆运动的距离增加而增大。因此，需要后端的回环检测来矫正误差。也就是说，当车辆重新回到同一位置时，需要通过场景识别技术识别出历史地图帧中的当前场景帧，从而计算当前帧与历史帧之间的相对位姿以对车辆的历史轨迹定位结果进行优化。此外，在已知地图中进行车辆的高精度定位时，也需要使用场景识别技术进行重定位来获得当前帧的位姿。
2、目前，在激光雷达对周围环境进行建图及实时定位自身位置中的回环检测应用较为广泛的是基于scan-context的算法。该算法简单易用、便于部署且具有较高的检测精度。该算法首先对点云进行俯视图下的极坐标投影，再将三维点云数据转化为二维图像数据进行处理，以点云的强度或者高度等特征作为与点云对应的伪图像对应区域的像素值，然后按行计算上述图像的描述子，再通过相似性计算度量两帧点云的相似性值。但是，专利技术人经研究发现：上述方法的处理损失了点云的部分信息，同时仅采用一种特征对场景进
技术实现思路
1、针对现有点云的场景识别方法对于复杂环境下对点云的闭环帧进行识别的准确率不高的问题，本专利技术主要解决的技术问题是提供一种融合点云语义空间拓扑的场景识别方法及其系统，上述场景识别方法不仅能够鲁棒地、有区别地、有效地描述各场景的特征，而且能够准确和快速地将当前场景与地图库进行匹配，并还能够为机器人和自动驾驶车辆等实现场景重定位，以提高机器人和自动驾驶车辆等在长时间运动情况下的定位精度。
2、根据第一方面，一种实施例中提供一种融合语义点云的自动驾驶场景识别方法。所述场景识别方法包括：获取原始点云，基于所述原始点云生成语义空间点云，计算所述语义空间点云的语义空间特征；基于所述语义空间特征和所述原始点云的其他特征生成语义空间增强特征，基于语义空间增强特征生成语义空间增强伪图像；基于所述语义空间增强伪图像进行回环检测。
3、一些实施例中，所述基于所述原始点云生成与所述原始点云对应的语义空间点云，计算所述语义空间点云的语义空间特征，包括：
4、对所述原始点云进行语义分割，对经过语义分割的所述原始点云进行聚类以获取与所述原始点云对应的语义空间点云，所述语义空间点云包括多个语义点云簇，每个所述语义点云簇具有对应的语义标签，计算并存储每个所述语义点云簇的质心；
5、对每个所述语义点云簇进行：将所述语义点云簇确定为目标点云簇，并从所述语义空间点云中的其他语义点云簇中确定k个具有与所述目标点云簇相同的语义标签的原始近邻点云簇，基于所述目标点云簇和所述k个原始近邻点云簇确定目标图形和所述目标图形的面积或体积，基于所述目标图形的面积或体积确定所述目标点云簇的语义空间特征。
6、一些实施例中，所述基于所述目标点云簇和所述k个原始近邻点云簇确定目标图形和所述目标图形的面积或体积包括：确定所述目标点云簇的目标质心和所述k个原始近邻点云簇的近邻质心；基于所述目标点云簇的目标质心和k个所述原始近邻点云簇的近邻质心确定多个所述目标图形；计算多个所述目标图形的面积或体积，以将多个所述目标图形的面积或体积之和作为所述目标点云簇的语义空间特征。
7、一些实施例中，所述基于所述目标点云簇和所述k个原始近邻点云簇确定目标图形和所述目标图形的面积或体积包括：确定所述目标点云簇的目标质心和所述k个原始近邻点云簇的近邻质心；从所述k个原始近邻点云簇的近邻质心确定一个最近邻质心和(k-1)个次近邻质心；基于所述目标点云簇的目标质心、最近邻质心、次近邻质心确定多个所述目标图形；分别计算(k-1)个所述次近邻质心与所述目标质心之间的距离，和所述目标图形的面积或体积；基于与所述目标图形对应的所述距离对多个所述目标图形的面积或体积进行加权，将所述加权得到的加权面积或加权体积作为所述目标点云簇的语义空间特征。
8、一些实施例中，基于所述语义空间特征和所述原始点云的其他特征生成语义空间增强特征，基于语义空间增强特征生成语义空间增强伪图像，包括：获取所述原始点云或语义空间点云；设置感兴趣区域半径，对所述感兴趣区域半径内的点云按照俯视图上的极坐标进行空间分割而得到多个单元区域；利用所述单元区域所对应的点云的其他特征对该单元区域进行赋值并归一化；将所述单元区域对应的语义空间特征分别与所述单元区域对应的其他特征进行叠加并再次进行归一化，以获得所述单元区域对应的语义空间增强特征；基于所述单元区域对应的语义空间增强特征生成语义空间增强伪图像。
9、一些实施例中，基于所述语义空间特征和所述原始点云的其他特征生成语义空间增强特征，基于所述语义空间增强特征生成语义空间增强伪图像，包括：获取所述原始点云或语义空间点云；设置感兴趣区域半径，对所述感兴趣区域半径内的点云按照俯视图上的极坐标进行空间分割而得到多个单元区域；利用所述单元区域所对应的点云的其他特征对所述单元区域进行赋值并归一化；根据所述单元区域内所对应的目标点云簇的语义标签对所述单元区域所对应的语义空间特征进行修正，以获得与所述单元区域对应的修正语义空间特征；将所述单元区域对应的修正语义空间特征分别与所述单元区域对应的其他特征进行叠加并再次进行归一化，以获得所述单元区域对应的修正语义空间增强特征；基于所述单元区域对应的修正语义空间增强特征生成语义空间增强伪图像。
10、一些实施例中，从所述空间点云簇中的其他语义点云簇中确定k个具有与所述目标点云簇相同的语义标签的原始近邻点云簇，包括：从所述空间点云簇中的其他语义点云簇中搜索出具有与所述目标点云簇相同的语义标签的多个其他语义点云簇；分别计算所述多个其他语义点云簇的质心到所述目标点云簇的目标质心的质心距离；基于所述质心距离确定距离所述目标质心最近的k个所述其他语义点云簇为与所述目标点云簇对应的原始近邻点云簇。
11、一些实施例中，基于所述语义空间增强特征和语义空间增强伪图像进行后续的回环检测包括：将所述语义空间增强伪图像作为第一描述符；基于所述第一描述符进行后续的回环检测。
12、一些实施例中，基于所述语义空间增强特征和语义空间增强伪图像进行后续的回环检测包括：计算所述语义空间增强伪图像的全局描述子；将所述全局描述子转化为一维特征向量，将所述一维特征向量作为第二描述符；基于所述第二描述符进行后本文档来自技高网...
【技术保护点】
1.一种融合语义点云的自动驾驶场景识别方法，其特征在于，包括：
2.如权利要求1所述的自动驾驶场景识别方法，其特征在于：所述基于所述原始点云生成语义空间点云，计算所述语义空间点云的语义空间特征，包括：
3.如权利要求2所述的自动驾驶场景识别方法，其特征在于：所述基于所述目标点云簇和所述k个原始近邻点云簇确定目标图形和所述目标图形的面积或体积，基于所述目标图形的面积或体积确定所述目标点云簇的语义空间特征，包括：
4.如权利要求2所述的自动驾驶场景识别方法，其特征在于：所述基于所述目标点云簇和所述k个原始近邻点云簇确定目标图形和所述目标图形的面积或体积，基于所述目标图形的面积或体积确定所述目标点云簇的语义空间特征，包括：
5.如权利要求1至4中任一项所述的自动驾驶场景识别方法，其特征在于：
6.如权利要求1至4中任一项所述的自动驾驶场景识别方法，其特征在于：基于所述语义空间特征和所述原始点云的其他特征生成语义空间增强特征，基于所述语义空间增强特征生成语义空间增强伪图像，包括：
7.如权利要求1所述的自动驾驶场景识
8.如权利要求1所述的自动驾驶场景识别方法，其特征在于：基于所述语义空间增强伪图像进行回环检测包括：
9.如权利要求1所述的自动驾驶场景识别方法，其特征在于：基于所述语义空间增强伪图像进行回环检测包括：
10.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1至9中任一项所述的自动驾驶场景识别方法。
...【技术特征摘要】
1.一种融合语义点云的自动驾驶场景识别方法，其特征在于，包括：
2.如权利要求1所述的自动驾驶场景识别方法，其特征在于：所述基于所述原始点云生成语义空间点云，计算所述语义空间点云的语义空间特征，包括：
3.如权利要求2所述的自动驾驶场景识别方法，其特征在于：所述基于所述目标点云簇和所述k个原始近邻点云簇确定目标图形和所述目标图形的面积或体积，基于所述目标图形的面积或体积确定所述目标点云簇的语义空间特征，包括：
4.如权利要求2所述的自动驾驶场景识别方法，其特征在于：所述基于所述目标点云簇和所述k个原始近邻点云簇确定目标图形和所述目标图形的面积或体积，基于所述目标图形的面积或体积确定所述目标点云簇的语义空间特征，包括：
5.如权利要求1至4中任一项所述的自动驾驶场...
【专利技术属性】
技术研发人员：汪洋，钟煜，赵雄伟，
申请(专利权)人：哈尔滨工业大学深圳哈尔滨工业大学深圳科技创新研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。