[发明专利]一种面向自动驾驶的多场景自动化点云扩增方法

说明书

一种面向自动驾驶的多场景自动化点云扩增方法，其特征是基于不同天气场景特征，设计点云数据变异规则，生成模拟不同天气场景的点云数据。本发明包括三个组成部分：用户配置模块，数据增扩模块，扩增数据有效性验证模块。本发明的输入为传感器采集的原始点云数据，根据用户配置信息，对原始数据进行扩增，输入自动驾驶模型，检测其中所存在的缺陷。本发明有以下有益效果：自动驾驶激光雷达点云数据在雨、雾、雪条件下的扩增，提供了这些在真实世界采集成本极高的极端天气点云数据，对于自动驾驶系统的测试具有现实意义。

技术领域

本发明属于面向自动驾驶系统的软件测试领域，特别是涉及到针对激光雷达设备的测试数据生成。基于不同的天气场景，根据开源原始点云数据自动化地生成模拟不同天气场景的变异点云数据。

背景技术

近年来， 5G技术的快速发展，为自动驾驶车辆提供了毫秒级超低时延，帮助车辆在环境感知、信息交互和协同控制等关键技术上取得突破，无论是基于单车智能还是车路协同的自动驾驶技术，都会在5G的加持下实现高速发展。不过自动驾驶系统运行环境复杂度极高，通过实景路测及仿真等方法获取的图像点云等感知数据极难覆盖所有的驾驶场景及环境信息,环境感知与行为决策模块的测试成为了自动驾驶系统质量保障的一个巨大挑战。激光雷达传感器通常用于自动驾驶车辆，以补充相机，雷达和超声传感器对环境的探测。由于激光雷达的探测能力会受到雾、灰尘、雪、雨、污染和烟雾的严重影响，在恶劣条件下，会导致点云数据中的错误点测量。因此需要考虑在极端天气条件采集的数据对自动驾驶系统产生的影响。目前自动驾驶系统的测试还处于初步阶段，测试过程中感知数据的收集成为影响测试效果的关键点，此外实际路测、仿真测试都存在代价昂贵、测试效率低下、测试充分性无法保障等问题。针对自动驾驶系统面临的测试场景多变、软件系统庞大复杂、测试成本巨大等问题，能够结合自动驾驶系统领域知识的测试数据自动生成技术变得尤为重要。因此需要考虑在恶劣条件采集的数据对自动驾驶系统产生的影响。然而现实世界采集点云数据效率低成本高，需要考虑如何基于不同天气场景进行点云数据变异。首先要提取出不同天气下对于激光雷达测量结果的具体影响规则。

Filgueira等人为了定量的分析降雨对激光雷达产生的影响，使用VelodyneVLP-16型激光雷达在学校附近的路段进行测试，测试路段包括带有建筑物信息的金属标牌、混凝土墙、石材立面，以及窗户、交通标志、反光表面、沥青路面、垂直反光标志等物体，这些测试物体均在100米的范围以内，测试是在真实的降雨条件下进行。测试结果反应：雨水强度的变化不仅影响材料表面，还影响激光路径，各目标的回波强度和探测点数均随降雨的增加而减小。随着雨强的增加，探测点的数量急剧减少，它们从164个的点（不下雨时）下降到4个点（7.2L/m2*h）。该团队研究表明降雨天气会明显影响激光雷达检测结果，而且，激光雷达点云数据衰减程度会随着降雨规模的增大而提高。Mokrane Hadj-Bachir等人建立了激光雷达模型，使用Pro-SiVIC软件模拟了激光雷达在晴天、雾、雨等天气条件下的表现，方便有效地代替真实的激光雷达测试活动来测量它们的性能。该模型考虑了物质的相互作用及反射率和激光脉冲的传播以及能量的衰减，模拟了激光雷达在轻雾、中雾、浓雾、小雨、中雨、大雨下的表现，得出了在不同天气条件下激光雷达信噪比随距离的变化曲线。Christopher Goodin等人使用雷达功率方程、消光系数方程建立了一个模型，该模型使用激光雷达传感器的简单参数化来预测降雨引起的反射强度和射程减小。模型除了考虑降低激光雷达回波的强度外，也考虑了雨水的存在也会给测距带来噪声。Christopher Goodin等人将该模型集成到基于物理的汽车自动驾驶模拟器中，并进行了仿真实验，评估了降雨对障碍物检测性能的影响。测试结果得出激光雷达射程、激光雷达扫描点数、障碍物探测范围随降雨的曲线图。同时他们也定量的模拟测试了降雨ADAS的影响。上文描述了在不同天气条件下激光雷达的检测结果，以下是对现有工作的总结：雨天场景下，激光雷达点云数据检测结果会随降雨规模的变化产生不同程度的衰减；雪天场景下，雪颗粒可以反射激光雷达射线从而形成噪点，同时由于雪阻挡了激光的传播，扩增后的点云数据采集个数将会衰减；雾天场景下，雾不仅会反射激光雷达射线从而形成噪点，还会干扰激光射线的传播造成点云个数的衰减。