[发明专利]障碍物点云数据筛选方法、装置、电子设备及存储介质

说明书

本公开提供一种障碍物点云数据筛选方法、装置、电子设备及存储介质。该方法应用于无人驾驶设备，即自动驾驶设备或无人车，包括：获取原始数据片段，从原始数据片段中提取与目标区域的位置相对应的障碍物点云簇；根据标注结果得到不同障碍物类别的障碍物点云簇，将障碍物点云簇转换至参考坐标系下；利用障碍物点云簇对分类模型进行训练，并利用训练后的分类模型对目标点云簇进行分类，得到目标点云簇的障碍物类别；计算目标点云簇与每个待筛选点云簇之间的矢量距离，基于矢量距离进行相似性排序，基于排序结果确定与目标点云簇的障碍物类别相同的待筛选点云簇。本公开能够对指定类别的障碍物点云进行自动筛选，提升点云数据的筛选效果和效率。

技术领域

本公开涉及无人驾驶技术领域，尤其涉及一种障碍物点云数据筛选方法、装置、电子设备及存储介质。

背景技术

无人驾驶车辆是一种集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，无人驾驶车辆，也称自动驾驶车辆、无人车。自动驾驶的感知算法主要依赖于深度学习，而深度学习算法的性能依赖于大量丰富的标注数据。如果某一类障碍物的检测效果较差，存在漏检或者误检，说明当前的检测算法对该类物体的检测性能较差，需要向训练数据中添加更多的该类数据。因此，在海量数据中找到该类别障碍物的点云数据，是提升无人车感知能力的关键。

现有技术中，在海量数据中筛选指定类别障碍物的点云数据通常采用以下两种方式，第一种方式是人为筛选，人工通过可视化的方法，挑选出存在指定类别障碍物的点云数据，这种方式不仅费时费力，而且不适用于在海量数据中筛选点云数据的场景；第二种方式是目标检测器筛选，通过已有数据训练目标检测器，从而对新数据中目标障碍物的位置和类别进行检测，但是这种方式依赖于标注数据的丰富性，对点云数量较少的类别检测效果较差，不能达到较好的筛选效果，也降低了筛选效率。

发明内容

有鉴于此，本公开实施例提供了一种障碍物点云数据筛选方法、装置、电子设备及存储介质，以解决现有技术存在的对指定类别障碍物的点云数据筛选耗时长，筛选效果差，筛选效率低的问题。

本公开实施例的第一方面，提供了一种障碍物点云数据筛选方法，包括：获取由无人车采集到的点云数据组成的原始数据片段，并从预置的地图信息中获取目标区域，从原始数据片段中提取出与目标区域的位置相对应的障碍物点云簇；基于预设的障碍物类别对障碍物点云簇进行标注，根据标注结果得到属于不同障碍物类别的障碍物点云簇，并将不同障碍物类别的障碍物点云簇转换至参考坐标系下；利用参考坐标系下的障碍物点云簇对分类模型进行训练，并利用训练后的分类模型对目标点云簇进行分类，得到目标点云簇对应的障碍物类别；计算目标点云簇与待筛选数据集中每一个待筛选点云簇之间的矢量距离，基于矢量距离对待筛选点云簇进行相似性排序，基于相似性排序的结果确定与目标点云簇的障碍物类别相同的待筛选点云簇。

本公开实施例的第二方面，提供了一种障碍物点云数据筛选装置，包括：获取模块，被配置为获取由无人车采集到的点云数据组成的原始数据片段，并从预置的地图信息中获取目标区域，从原始数据片段中提取出与目标区域的位置相对应的障碍物点云簇；转换模块，被配置为基于预设的障碍物类别对障碍物点云簇进行标注，根据标注结果得到属于不同障碍物类别的障碍物点云簇，并将不同障碍物类别的障碍物点云簇转换至参考坐标系下；训练模块，被配置为利用参考坐标系下的障碍物点云簇对分类模型进行训练，并利用训练后的分类模型对目标点云簇进行分类，得到目标点云簇对应的障碍物类别；筛选模块，被配置为计算目标点云簇与待筛选数据集中每一个待筛选点云簇之间的矢量距离，基于矢量距离对待筛选点云簇进行相似性排序，基于相似性排序的结果确定与目标点云簇的障碍物类别相同的待筛选点云簇。

本公开实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。

本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。