[发明专利]一种应用于车路协同路侧感知的仿真点云滤波方法和系统

说明书

本发明实施例提供一种应用于车路协同路侧感知的仿真点云滤波方法和系统，该方法包括：提取仿真交通环境中各物体模型在路测激光雷达下点云数据和标签；对所述点云数据进行过滤，剔除点云数据中的地面点，并基于所述标签将对应的物体模型从点云数据中分割，得到标签对应的物体框；若判断获知所述物体框中的点云数量低于预设阈值，则删除物体框对应的标签；基于数据增强算法对剩余的点云数据进行数据扩展。应用于车路协同路侧感知领域标注数据成本高、采集数据场景单一的问题，仿真平台可以模拟多种场景的路侧雷达，过滤算法按照雷达特性对标签过滤，提高了仿真数据的准确性，使得路侧感知算法可以使用更加准确的仿真数据。

技术领域

本发明实施例涉及智能交通技术领域，尤其涉及一种应用于车路协同路侧感知的仿真点云滤波方法和系统。

背景技术

车路协同是自动驾驶中重要的组成部分及发展方向。如图1所示通过通讯协议，将路侧感知传感器(摄像头、激光雷达、毫米波雷达等)的感知结果与自动驾驶汽车车载感知传感器的感知结果进行融合与分析，从而克服单一车载感知时出现的视觉盲区、遮挡等问题，增强了感知的范围与准确性，达到全域感知效果。

感知算法是通过对传感器的数据进行分析，从而识别道路、车辆位置和障碍物信息的算法，近年来随着深度学习在目标检测领域取得一系列突破，基于深度学习的路侧感知算法也逐渐成为主流，而基于深度学习的路侧感知算法往往需要大量的有标签的训练数据，且为了提高算法的泛化性需要在不同路侧场景下采集数据，这些数据的采集、标注需要巨大的时间、人力成本。

仿真点云是通过模拟激光雷达在环境中获得点云数据，由于路侧感知算法要求的数据标注成本高，如何在训练中替代真实的数据就成为了一个重要的研究方向，目前生成仿真点云主要有三种方法：(1)基于真实数据生成：通过生成式对抗网络(GenerativeAdversarial Networks，GAN)学习原始点云数据特性，从而模拟出原始点云中没有的天气、光照等场景下的点云；(2)基于模拟器生成：通过仿真平台模拟真实场景，然后在模拟的场景中设置雷达模型，虚拟雷达发出激光检测来获取当前环境的动静态信息，然后生成激光点云；(3)基于结构化数据生成增强数据：方向较多，有基于虚拟数据生成增强现实数据的方法，也有基于图片生成点云数据的方法。基于真实数据生成的方法依赖于原始数据，基于结构化数据的生成增强数据方法需要依赖其它模态的数据，而在路侧感知时候往往需要模拟多场景数据，基于模拟器生成的点云数据可以不受限于原始数据并可以模拟各种场景，且随着无人驾驶仿真环境LGSVL、Carla、AirSim等仿真平台对自动驾驶的支持，仿真平台的仿真效果也越来越好。

算法训练需要带有标注的点云数据，而模拟器中只要设置了物体就会出现标签，而无论激光雷达是否会扫描到该物体上，这种标签会使得算法误检率增加，查全率降低。模拟器模拟的是理想状态下的激光雷达，并没有考虑雷达能量强度、空气对激光衰减等因素，所以模拟的点云本身就有一定不准确性。

发明内容

本发明实施例提供一种应用于车路协同路侧感知的仿真点云滤波方法和系统，提高了仿真数据的准确性，使得路侧感知算法可以使用更加准确的仿真数据。

第一方面，本发明实施例提供一种应用于车路协同路侧感知的仿真点云滤波方法，包括：

提取仿真交通环境中各物体模型在路测激光雷达下点云数据和标签；

对所述点云数据进行过滤，剔除点云数据中的地面点，并基于所述标签将对应的物体模型从点云数据中分割，得到标签对应的物体框；若判断获知所述物体框中的点云数量低于预设阈值，则删除物体框对应的标签；

基于数据增强算法对剩余的点云数据进行数据扩展。

作为优选的，提取仿真交通环境中各物体模型在路测激光雷达下点云数据和标签，具体包括：

基于无人驾驶仿真环境LGSVL平台模拟路测激光雷达所处的真实静态环境，得到仿真交通环境；