【技术实现步骤摘要】
本专利技术涉及无人驾驶，特别涉及一种基于智能驾驶的点云数据消噪方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
2、智能驾驶技术在交通运输、工程机械和农业等领域展现出广泛的应用价值，通过无人化操作、智能路径规划和精准作业显著提升了作业效率、安全性和作业精度。在交通运输中，智能驾驶提升行驶效率、保障安全、减少交通事故；对于工程机械来说，无人化施工减少人员风险、提高作业能力；对于拖拉机来说，智能农机实现精准耕作、提升耕种效率。
3、在智能驾驶领域中，激光雷达传感器是获取周围环境三维数据的核心设备之一。激光雷达通过发射激光束并接收返回信号来生成三维点云数据，该数据可以精确地反映出物体的距离、形状和位置等信息，为车辆的环境感知提供了关键支持。基于激光雷达的三维点云数据在物体检测、道路识别、障碍物避让等方面具有重要应用，它使得智能驾驶系统能够更准确地识别和定位周围物体，从而做出实时决策。然而，在实际应用中，三维点云数据中往往存在大量噪声数据，这些噪声数据通常是由环境复杂性(如雨、雪、雾等天气)、传感器精度限制、物理干扰等因素引起的。噪声的存在会降低智能驾驶系统对环境特征的识别精度，导致误识别、漏识别等问题，严重影响系统的稳定性和安全性，目前常用聚类中的dbscan算法进行消噪，在未对dbscan算法进行优化的前提下，聚类效果不佳且鲁棒性差。
技术实现思路
1、为了解决现有技术的不足，本专利技术提供了一种基于智能驾驶
2、为了实现上述目的，本专利技术采用如下技术方案：
3、本专利技术第一个方面提供了一种基于智能驾驶的点云数据消噪方法。
4、一种基于智能驾驶的点云数据消噪方法，包括：
5、对获取的智能驾驶中的待分割目标的三维点云数据进行分割；
6、采用徒步组合算法，优化dbscan算法的参数，得到最优邻域半径eps参数和最优最少点数minpts参数，以对分割后的三维点云数据进行聚类，标记出点云簇团和噪声点，得到去除噪声点后的三维点云数据；
7、其中，所述徒步组合算法，包括：在采用徒步旅游算法寻优过程中，使用灰狼算法改进旅游算法中徒步者的速度更新公式中的扫描因子当徒步者的位置变化小于第一设定值的连续次数满足第一阈值时，记录第一最优解和寻优次数，进行跳出处理，跳出的扫描因子为在寻优次数小于等于第二阈值时，使用扫描因子继续寻优迭代，当徒步者的位置变化小于第一设定值的连续次数满足第一阈值时，记录第二最优解，并更新寻优次数，选择第一最优位置和第二最优位置中的最优者，重复上述寻优过程，在寻优次数大于第二阈值时，输出最优者。
8、进一步地，扫描因子采用以下公式表示：
9、
10、其中，分别表示α狼、β狼、δ狼的位置，α狼代表最优解，β狼和δ狼分别代表次优解和第三优解，表示迭代t+1次灰狼的位置，分别表示α狼、β狼、δ狼随着猎物位置的估计进行的相应移动距离，分别表示当前搜索代理和α狼、β狼、δ狼之间的距离，α、β、δ表示α狼、β狼、δ狼对猎物位置的了解程度，即权重，α+β+δ＝1。
11、进一步地，所述徒步者的位置变化，采用以下公式表示：
12、
13、其中，z(t+1)表示徒步者的位置变化，βi,t+1表示t+1次迭代后徒步者的位置，βi,t表示t次迭代后徒步者的位置。
14、进一步地，扫描因子采用以下公式表示：
15、
16、其中，的范围在[3,9]之间，进行跳出寻优的迭代，βi,t+1表示t+1次迭代后徒步者的位置，βi,t表示t次迭代后徒步者的位置，表示每次寻优最优的狼的位置。
17、进一步地，所述徒步旅游算法中徒步者的位置更新，采用以下过程实现：
18、徒步旅游算法的初始坡度公式为：
19、
20、式中，dh和dx分别表示徒步者的高度差和行进距离差，θi,t是路径或地形的倾斜角，si,t表示路径或地形的坡度；徒步者的初始速度由tobler远足函数给出：
21、
22、式中，wi,t表示在迭代时间t内，初始徒步者的速度，单位为km/h；
23、在徒步者搜索的过程中，其速度是由初始速度、领头徒步者的位置、徒步者的实际位置和扫描因子共同决定的，因此，第i个徒步者的当前速度为：
24、wi,t＝wi,t-1+γi,t(βbest-αi,tβi,t)
25、其中，γi,t是在0与1内均匀分布的随机数，αi,t是徒步者i的扫描因子，βi,t是徒步者i当前的位置，βbest是领头徒步者的位置，wi,t表示徒步者i当前的速度，wi,t-1表示徒步者i上一时刻的速度；根据徒步者的速度，徒步者i的新位置更新应为：
26、βi,t+1＝βi,t+wi,t
27、式中，βi,t+1是徒步者i更新后的位置，徒步者会不断更新位置已达到领头者的位置。
28、进一步地，所述对分割后的三维点云数据进行聚类，标记出点云簇团和噪声点，得到去除噪声点后的三维点云数据，方法包括：
29、步骤(1)：将所有点云的簇标签标记为-1，表示为噪声点；
30、步骤(2)：使用徒步组合算法得到最优的邻域半径eps参数和最优的最少点数minpts参数；
31、步骤(3)：对其中的一个点a进行检查，判断是否为核心点，如果邻域内点数量超过阈值minpts，则点a为核心点，将点a邻域eps内所有点加入簇团；
32、步骤(4)：将既不是核心点也不在任何核心点的邻域内的点，标记为噪声点；
33、步骤(5)：对簇团中的每一个未被遍历的点重复进行步骤(2)、步骤(3)、步骤(4)的处理，直到簇团中所有点都被处理完毕，得到去除噪声点后的三维点云数据。
34、本专利技术第二个方面提供了一种基于智能驾驶的点云数据消噪系统。
35、一种基于智能驾驶的点云数据消噪系统，包括：
36、预处理模块，其被配置为：对获取的智能驾驶中的待分割目标的三维点云数据进行分割；
37、点云聚类模块，其被配置为：采用徒步组合算法，优化dbscan算法的参数，得到最优邻域半径eps参数和最优最少点数minpts参数，以对分割后的三维点云数据进行聚类，标记出点云簇团和噪声点，得到去除噪声点后的三维点云数据；
38、其中，所述徒步组合算法，包括：在采用徒步旅游算法寻优过程中，使用灰狼算法改进旅游算法中徒步者的速度更新公式中的扫描因子当徒步者的位置变化小于第一设定值的连续次数满足第一阈值时，记录第一本文档来自技高网...
【技术保护点】
1.一种基于智能驾驶的点云数据消噪方法，其特征在于，包括：
2.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，扫描因子采用以下公式表示：
3.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，所述徒步者的位置变化，采用以下公式表示：
4.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，扫描因子采用以下公式表示：
5.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，所述徒步旅游算法中徒步者的位置更新，采用以下过程实现：
6.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，所述对分割后的三维点云数据进行聚类，标记出点云簇团和噪声点，得到去除噪声点后的三维点云数据，方法包括：
7.一种基于智能驾驶的点云数据消噪系统，其特征在于，包括：
8.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的基于智能驾驶的点云数据消噪方法中的步骤。
9.一种电子设备，其特征在于，
10.一种计算机程序产品，其特征在于，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的基于智能驾驶的点云数据消噪方法中的步骤。
...【技术特征摘要】
1.一种基于智能驾驶的点云数据消噪方法，其特征在于，包括：
2.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，扫描因子采用以下公式表示：
3.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，所述徒步者的位置变化，采用以下公式表示：
4.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，扫描因子采用以下公式表示：
5.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，所述徒步旅游算法中徒步者的位置更新，采用以下过程实现：
6.根据权利要求1所述的基于智能驾驶的点云数据消噪方法，其特征在于，所述对分割后的三维点云数据进行聚类，标记出点云簇团和噪声点，得...
【专利技术属性】
技术研发人员：闫伟，赵旭辉，孙方哲，盛洪利，黄亚军，胡滨，
申请(专利权)人：山东大学，
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。