[发明专利]一种基于蜕变算法的三维激光雷达点云数据扩增方法

说明书

一种基于蜕变算法的三维激光雷达点云数据扩增方法，将三维激光雷达场景点云数据扩增过程处理为通过蜕变算法程序向三维激光雷达场景点云数据中新增其他三维激光雷达物体点云或旋转场景点云数据中带标签的物体点云生成与三维真实激光雷达场景点云数据高度近似的用例的过程。在新增物体方面，程序对真实三维环境采集的真实激光雷达场景点云数据和物体点云数据库中的物体数据进行融合，生成扩增三维激光雷达场景点云数据。在旋转物体方面，程序根据真实激光雷达场景点云数据原始标签对场景中具有标签的物体点云进行提取并旋转，从而在短时间内自动生成大量高度仿真的激光雷达点云数据用例。

技术领域

本发明属于软件工程和机器学习领域，尤其是蜕变算法在数据扩增领域的应用，用于对三维激光雷达点云数据进行数据扩增与合成。

背景技术

自动驾驶技术凭借着近年来人工智能技术的高速发展也进行着频繁的技术迭代和突破。而在自动驾驶的过程中需要安全攸关系统提供可靠的安全保障。不可靠的自动驾驶决策系统往往会对交通系统中人身安全产生威胁并造成巨大财产损失。作为安全攸关系统中重要的一环，基于深度学习技术实现高性能的三维物体检测是当下环境感知中最常见的方法，其准确性很大程度上依赖于有标签训练数据的质量和数量，并直接决定了自动驾驶决策系统的可靠性。由此，大量的针对环境感知机器学习的高质量训练样本成为安全攸关保障的重要前提。

在该领域中激光雷达为车辆周围环境提供了可靠而精确的深度测量，因此通常是自动驾驶中承载环境感知功能的首选工具。虽然激光雷达为三维物体检测模型提供了许多原始训练数据，但训练数据仍然处于较为缺乏的状态。因为一方面，在样本数量上，深度学习模型本身即需要大量的数据样本以进行训练，而与图像数据相比，激光雷达的三维点云更难标注，是一项非常消耗人力、时间且成本极高的任务。而在另一方面，在样本质量上，有真实场景所得到的三维点云数据具有一定局限性，其往往不具备例如车祸、堵车现场等相对少见且较为极端的场景数据样本，这就导致模型缺乏在此类更易导致决策失误的极端场景下的训练，为安全攸关系统埋下巨大隐患。即此类深度学习模型仍处于缺乏大量高质量训练数据样本的状态。

本方法旨在提出一种三维激光雷达点云数据扩增方法，与完全依赖CG模型和游戏引擎的模拟器不同，本方法绕过了创建高保真背景CAD模型的要求，从而便捷地改变一个由激光雷达扫描得到的街道场景，以获得新的场景点云。本方法基于对真实环境采集的真实激光雷达场景点云数据进行带标签物体的旋转与扩增物体的添加，由用户自定义场景中物体的旋转角度或增加点云物体的类型和数量，通过坐标点的扩增性评估以及新增物体遮挡仿真，在短时间内自动生成大量高度仿真的激光雷达点云数据用例，为自动驾驶领域中的三维激光雷达点云物体检测学习提供更多训练样本。

发明内容

本发明要解决的问题是：如何将蜕变算法思想应用到三维激光雷达点云数据的生成与扩增中，以生成更多的三维激光雷达点云数据，从而为提供自动驾驶的点云物体检测学习模型提供更多的训练样本。

本发明的技术方案为：一种基于蜕变算法的三维激光雷达点云数据扩增方法，方案包括以下步骤：

1)处理与生成三维激光雷达场景点云数据与三维激光雷达物体点云数据对应的数据集，包括以下步骤：

1.1)采集真实激光雷达场景点云数据与真实激光雷达物体点云数据：真实激光雷达场景点云数据来自现实环境的驾驶过程中激光雷达对路面街道进行扫描所采集到的数据，其包括激光雷达场景点云、场景点云对应物体标签、场景点云对应道路平面；真实激光雷达物体点云数据来自现实环境中激光雷达对物体进行扫描所采集到的数据；

1.1.1)根据采集到的场景点云对应道路平面数据生成原始激光雷达场景点云的路面部分点云对象R与非路面部分点云对象NR。

1.1.2)生成真实激光雷达物体点云的基础信息。初始化物体点云的方向角度以及中心点坐标，计算该物体点云的长宽高属性。