[发明专利]一种基于CNN点云目标检测的配准方法

说明书

本申请实施例中提供了一种基于CNN点云目标检测的配准方法，具体步骤包括：获取源点云数据；将所述源点云数据在GPU上进行源点云数据前处理；将处理结果输入CNN感知模型，得到中心偏移预测信息和物体预测信息；在GPU上利用所述CNN感知模型推理结果进行后处理，根据物体预测信息剔除或保留所述源点云中的点生成配准模块的输入点云；将所述输入点云输入配准模块进行点云配准。通过本申请的处理方案，利用基于CNN的点云检测模型和GPU的并行计算能力，在配准任务开始之前对路面噪声，即车辆，行人和骑行人等进行快速过滤，保证加入CNN模型滤波后定位配准模块整体的低延时，降低了配准难度，提高了配准精度。

技术领域

本申请涉及点云配准计算机技术领域，尤其涉及一种基于CNN点云目标检测的配准方法。

背景技术

基于CNN(Convolutional Neural Networks，卷积神经网络)的点云检测模型被广泛应用于各个领域。特别的，在自动驾驶领域，基于CNN的点云目标检测常与控制，决策和规划模块相结合，以实现停车、并线、避障等复杂任务。点云配准方法在自动驾驶中有广泛应用，点云配准方法主要作为一种辅助定位技术校准由组合导航(如：IMU，GPS，里程计)产生的定位误差，使定位结果更加精准，它的原理是将已有的点云地图和车辆在行驶时激光雷达扫描得到的点云地图匹配，获得将车辆从车辆坐标系变换到地图坐标系的位姿变换矩阵。

应用于自动驾驶中的点云配准方法主要依赖于已有的地图描绘车辆所处环境的信息。在对地图进行采样建图时，一般会选择在路面及道路两侧人行道、自行车道信息不复杂时进行操作，即在道路无车无人的情况下对地图信息进行采集，以避免增加地图噪声，尽量高度还原原始的环境信息。

车辆在实际状况下行驶时无法保证道路无车无人，也就是无法避免噪声。这种情况下，车载激光雷达实时扫描得到的点云包括了道路上的车辆，行人和骑行人。这样的噪声就会导致实时定位时车载雷达得到的信息与原始地图的信息不匹配，因此导致配准难度增大，配准精度降低，甚至配准失败。

发明内容

有鉴于此，本申请实施例提供一种基于CNN点云目标检测的配准方法，至少部分解决现有技术中存在的问题。

第一方面，本申请实施例提供了一种基于CNN点云目标检测的配准方法，包括以下步骤:

获取源点云数据；

将所述源点云数据输入CNN感知模型进行推理，计算得到中心偏移预测信息和物体预测信息，所述中心偏移预测信息用于判定不同点是否属于相同物体，所述物体预测信息用于判定是否为障碍物点；

在GPU上对所述源点云中的障碍物点进行剔除并生成用于点云配准的输入点云；

利用所述输入点云进行点云配准。

根据本申请实施例的一种具体实现方式，所述将所述源点云数据输入CNN模型，得到中心偏移预测信息和物体预测信息，具体步骤为：

将所述源点云输入到所述CNN模型的前处理模块，在局部坐标系中构建俯视图2D网格，所述2D网格包含若干个单元格；

基于所述源点云中点的X、Y坐标数据，将所述源点云中的每个点均映射到各自所属的所述单元格中；

映射结束后，计算所述2D网格内每个单元格中点的若干个统计测量，并将所述若干个统计测量分别传递给所述CNN模型的输入特征通道，所述统计测量与所述输入特征通道一一对应；

将所述输入通道特征输入至所述CNN模型进行计算，得到中心偏移预测信息和物体预测信息。

根据本申请实施例的一种具体实现方式，所述在GPU上对所述源点云中的障碍物点进行剔除并生成用于点云配准的输入点云，具体步骤为：

将所述源点云从CPU内存拷入GPU显存；