【技术实现步骤摘要】
技术介绍
1、车路协同是指通过无线网络，将车端与路端连接起来，实现车端信息与路端信息交换共享。尤其对于车端而言，车端本身感知到的交通环境信息可能存在视觉盲区以及视觉限制等原因，无法对周围的环境进行全面的感知。通过无线通讯收到路端的消息，使得车辆可以获得全方位的交通环境信息，从而为车辆的下一步驾驶行为提供更精确的交通环境信息。恶劣天气条件下，由于传感器的限制或环境的影响， 车载雷达采集到的道路点云数据可能出现不连续、不完整的情况，甚至经常出现大部分区域点云缺失的情况，这会给后续的数据处理和分析带来困难。
2、点云补全是点云处理的重要任务之一，目的是通过填补缺失的点云区域来提高点云数据的完整性和准确性。通过补全道路点云，可以填补缺失的点云区域，提高数据的完整性和一致性，使得后续的数据处理和分析工作更加可靠和准确。然而虽然现有点云补全方法众多，但多是对模拟数据集进行研究，因为现实世界的道路点云场景与结构复杂，现有的方法鲜少对现实世界的道路点云补全进行研究分析。近年来，基于深度学习的点云补全方法取得了显著的进展。生成对抗网络（gan）和变分自编码器（vae）是常用的深度学习模型，用于生成缺失区域的点云数据。这些方法在点云补全任务中取得了较好的效果，但对于复杂的场景仍需要更多的研究。因此对于恶劣天气下的道路点云，需要一种更高效、更精确的点云补全方法。
技术实现思路
1、针对现有技术的局限性，本申请提供了一种基于车路协同的恶劣天气下的道路点云补全方法，包括如下步骤：
3、s2：恶劣天气下，车辆行驶至预设路段时，车端感知到预设路段的图像信息，根据此图像在路端信息中进行匹配，检索到此预设路段的样本图像数据，从而得到对应样本点云数据；
4、s3：车辆行驶进预设路段时，将此时车端感知到的预设路段的点云信息作为实验点云数据，从中得到子实验点云数据，并从样本点云数据中获取相应的子样本点云数据；
5、s4：将子实验点云数据与子样本点云数据，转换为基于点云密度的bev视图；
6、s5：基于子样本点云数据的bev视图，从中提取出子实验点云数据的bev视图中不存在的点；
7、s6：将提取的bev视图中的点还原为三维点云，补充到子实验点云数据中从而完成点云补全。
8、优选地，天气状况良好时，采集预设路段点云信息作为样本点云数据，同时采集预设路段的图像信息作为样本图像数据，将获取的点云和图像样本数据作为一组路端信息具体步骤为：
9、所述预设路段为三车道道路，天气状况良好时，采集预设路段点云信息作为样本点云数据；
10、进一步地，获取预设路段的图像信息作为图像样本数据，将获取的点云和图像样本数据打包作为一组信息上传路端，作为路端信息。
11、优选地，恶劣天气下，车辆行驶至预设路段时，车端感知到预设路段的图像信息，根据此图像在路端信息中进行匹配，检索到此预设路段的样本图像数据，从而得到对应样本点云数据具体步骤为：
12、恶劣天气下，车辆行驶至预设路段时，车端感知到预设路段的图像信息；
13、将此图像信息在通过无线通讯收到的路端信息中进行匹配，检索到此图像信息对应的图像样本数据；
14、从而获取到同一组信息中的样本点云数据。
15、优选地，车辆行驶进预设路段时，将此时车端感知到的预设路段的点云信息作为实验点云数据，从中得到子实验点云数据，并从样本点云数据中获取相应的子样本点云数据具体步骤为：
16、车辆行驶进此预设路段时，车段可以感知车辆周围点云信息，将此点云信息作为实验点云数据；
17、将预设路段按照{\{ c}_{k}|k\in [1,n+1]\}纵向划分为n个部分，则预设路段被分为n个子路段；
18、相应地，依照上述将s2中获取的对应样本点云数据分为n个子样本点云数据：
19、{\{ a}_{j}|j\in [1,n]\}；
20、车端感知到的实验点云数据只取介于与之间的点云数据作为子实验点云数据，记为；
21、进一步地，车辆行驶进第k个子路段时，记道路宽度为，记车辆距离预设路段起点即的距离为，记车辆与最右侧车道线的距离为；
22、子实验点云数据更新为：
23、,
24、此时对应的子样本点云数据：
25、。
26、优选地，将子实验点云数据与子样本点云数据，转换为基于点云密度的bev视图具体步骤为：
27、分别将s3中获得的子样本点云数据与子实验点云数据，去掉z轴坐标，仅仅保留x，y轴坐标，转换为基于点云密度的子样本点云数据的bev视图和子实验点云数据的bev视图；
28、bev视图点云表示为一个二维矩阵，其中每个元素代表一个网格，表示该区域内的点云密度，bev视图为：
29、，
30、其中 表示第 i 行第 j 列网格中的点云数量。
31、优选地，基于子样本点云数据的bev视图，从中提取出子实验点云数据的bev视图中不存在的点具体步骤为：
32、基于s4中转换的bev视图，记子样本点云数据的bev视图为a'，子实验点云数据的bev视图为b'；
33、将子实验点云数据的bev视图b'构建一个kd树结构，以便进行快速的最近邻查询，b'中点记为c；
34、对于子样本点云数据的bev视图a'中的点记为p：
35、以点p为圆心，半径为r，构建一个圆；
36、在kd树中进行最近邻查询，在b'中查找距离中心点p在指定半径r内最近的所有点；
37、如果在指定半径r内查询到的点数少于k，记录此时的点p。
38、重复以上步骤，可以处理子样本点云数据的bev视图a'中的每个点p，并记录在指定半径r内点数少于k的所有点p；
39、最终结果集合中的点即为子实验点云数据的bev视图中不存在的点云：
40、，
41、其中，表示以点p为圆心，半径为r的圆内的点集。
42、优选地，将提取的bev视图中的点还原为三维点云，补充到子实验点云数据中从而完成点云补全具体步骤为：
43、基于s3中获得的子样本点云数据a、子实验点云数据b以及s4中转换的子样本点云数据的bev视图a'、子实验点云数据的bev视图b'，
44、将s5中提取出的点映射到s3中的子样本点云数据a中以还原为三维点云，记为：
45、，
46、，
47、进一步地，将还原后的三维点云，补充到子实验点云数据中：
48、，
49、上述则为补全结果。
50、本申请中基于点云处理技术，基本文档来自技高网...
【技术保护点】
1.一种基于车路协同的恶劣天气下的道路点云补全方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于车路协同的恶劣天气下的道路点云补全方法，其特征还在于，基于S4中转换的BEV视图，记子样本点云数据的BEV视图为A'，子实验点云数据的BEV视图为B'；
【技术特征摘要】
1.一种基于车路协同的恶劣天气下的道路点云补全方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于车路协同的恶劣...
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。