点云数据的处理方法、装置、设备及计算机存储介质与流程

本技术涉及计算机领域，尤其涉及一种点云数据的处理方法、装置、设备及计算机存储介质。

背景技术：

1、随着新能源智能驾驶汽车以及人形机器人的推广和发展，搭载激光雷达的汽车和机器人越来越多。激光雷达工作时产生的点云数据主要用于智能驾驶汽车以及机器人的智能驾驶模型，并且点云数据的质量直接关乎到整个智能驾驶系统的安全性和稳定性。

2、现有技术中，为了提高点云数据的质量，对于激光雷达产生的点云数据往往会经过数据预处理，以使经过预处理的点云数据能满足下游模型，如智能驾驶模型的需求。传统的点云数据预处理过程包含点云去噪、点云滤波、点云分割以及点云重采样等步骤。

3、然而，尽管上述数据预处理工作能提升点云数据的质量，使得数据预处理后的点云数据能直接用于智能驾驶模型的训练与推理工作。但是这样预处理过后的点云数据在体量上依然比较庞大，这使得模型在进行推理的过程中需要对单帧全局点云进行计算，具有很高的计算复杂度。进而使得基于点云数据的模型推理过程不仅严重依赖于高算力的硬件平台，还导致模型推理耗时较长，很难实现实时推理。

技术实现思路

1、本技术提供了一种点云数据的处理方法、装置、设备及计算机存储介质，以解决现有技术中智能驾驶模型在进行推理的过程中需要对单帧全局点云进行计算，具有很高的计算复杂度。进而使得基于点云数据的模型推理过程不仅严重依赖于高算力的硬件平台，还导致模型推理耗时较长，很难实现实时推理的技术问题。

2、第一方面，本技术提供了一种点云数据的处理方法，所述方法包括：

3、获取目标对象上搭载的雷达在当前帧时刻采集到的当前帧点云数据和在上一帧时刻采集到的上一帧点云数据；

4、获取所述目标对象自所述上一帧时刻至所述当前帧时刻的行驶状态信息；

5、将所述当前帧点云数据根据所述行驶状态信息进行逆变换，得到所述上一帧时刻的推算点云数据；

6、根据所述推算点云数据和所述上一帧点云数据，在所述当前帧点云数据中确定动态点数据，并利用所述动态点数据进行智能驾驶模型推理。

7、在一可能的实施方式中，所述获取所述目标对象自所述上一帧时刻至所述当前帧时刻的行驶状态信息，包括：

8、获取所述目标对象上搭载的惯性测量装置在所述当前帧时刻采集到的行驶速度和角速度；

9、根据所述行驶速度和预设的帧间隔，确定所述目标对象自所述上一帧时刻至所述当前帧时刻的行驶距离，以及根据所述角速度和所述帧间隔，确定所述目标对象自所述上一帧时刻至所述当前帧时刻的转向角；

10、将所述行驶距离和所述转向角确定为所述目标对象自所述上一帧时刻至所述当前帧时刻的行驶状态信息。

11、在一可能的实施方式中，所述行驶状态信息包括行驶距离和转向角；所述将所述当前帧点云数据根据所述行驶状态信息进行逆变换，得到所述上一帧时刻的推算点云数据，包括：

12、针对所述当前帧点云数据中的每个第一点数据执行以下处理：基于预设的三角函数计算公式，将所述第一点数据在预设点云坐标系下的坐标值、所述行驶距离以及所述转向角进行运算，得到所述第一点数据在所述上一帧时刻的推算坐标值，并根据所述推算坐标值确定推算点数据；

13、利用上述处理所得到的所有推算点数据确定所述上一帧时刻的推算点云数据。

14、在一可能的实施方式中，所述根据所述推算点云数据和所述上一帧点云数据，在所述当前帧点云数据中确定动态点数据，包括：

15、将所述上一帧点云数据和所述推算点云数据进行点云匹配处理，根据点云匹配结果在所述上一帧点云数据中确定动态点数据；

16、将所述上一帧点云数据和所述当前帧点云数据进行点云配对处理，得到所述上一帧点云数据和所述当前帧点云数据之间的点数据配对关系；

17、根据所述点数据配对关系，以及所述上一帧点云数据中的动态点数据，在所述当前帧点云数据中确定动态点数据。

18、在一可能的实施方式中，所述将所述上一帧点云数据和所述推算点云数据进行点云匹配处理，根据点云匹配结果在所述上一帧点云数据中确定动态点数据，包括：

19、针对所述推算点云数据中的每个推算点数据执行以下处理：

20、在所述上一帧点云数据中查找与所述推算点数据相匹配的第二点数据，所述推算点数据与其相匹配的第二点数据之间满足预设的一致性条件；

21、若在所述上一帧点云数据中查找到与所述推算点数据相匹配的第二点数据，则将查找到的所述第二点数据确定为所述上一帧点云数据中的动态点数据。

22、在一可能的实施方式中，所述预设的一致性条件包括：所述推算点数据与所述第二点数据各自的点云坐标值相同，或者，所述推算点数据与所述第二点数据之间的距离小于预设的距离阈值。

23、在一可能的实施方式中，所述方法还包括：

24、在所述当前帧点云数据中的动态点数据的点数据信息中添加动态点数据标识；

25、所述利用所述动态点数据进行智能驾驶模型推理，包括：

26、从所述当前帧点云数据中筛选出具有所述动态点数据标识的点数据；

27、将筛选出的点数据输入至训练好的智能驾驶模型进行模型推理。

28、第二方面，本技术提供了一种点云数据的处理装置，所述装置包括：

29、点云数据获取模块，用于获取目标对象上搭载的雷达在当前帧时刻采集到的当前帧点云数据和在上一帧时刻采集到的上一帧点云数据；

30、行驶信息获取模块，用于获取所述目标对象自所述上一帧时刻至所述当前帧时刻的行驶状态信息；

31、逆变换模块，用于将所述当前帧点云数据根据所述行驶状态信息进行逆变换，得到所述上一帧时刻的推算点云数据；

32、动态点确定模块，用于根据所述推算点云数据和所述上一帧点云数据，在所述当前帧点云数据中确定动态点数据；

33、动态点应用模块，用于利用所述动态点数据进行智能驾驶模型推理。

34、在一可能的实施方式中，所述行驶信息获取模块，包括：

35、测量单元，用于获取所述目标对象上搭载的惯性测量装置在所述当前帧时刻采集到的行驶速度和角速度；

36、行驶预测单元，用于根据所述行驶速度和预设的帧间隔，确定所述目标对象自所述上一帧时刻至所述当前帧时刻的行驶距离，以及根据所述角速度和所述帧间隔，确定所述目标对象自所述上一帧时刻至所述当前帧时刻的转向角；将所述行驶距离和所述转向角确定为所述目标对象自所述上一帧时刻至所述当前帧时刻的行驶状态信息。

37、在一可能的实施方式中，所述行驶状态信息包括行驶距离和转向角；所述逆变换模块，具体用于：

38、针对所述当前帧点云数据中的每个第一点数据执行以下处理：基于预设的三角函数计算公式，将所述第一点数据在预设点云坐标系下的坐标值、所述行驶距离以及所述转向角进行运算，得到所述第一点数据在所述上一帧时刻的推算坐标值，并根据所述推算坐标值确定推算点数据；

39、利用上述处理所得到的所有推算点数据确定所述上一帧时刻的推算点云数据。

40、在一可能的实施方式中，所述动态点数据确定模块，包括：

41、点云匹配单元，用于将所述上一帧点云数据和所述推算点云数据进行点云匹配处理，根据点云匹配结果在所述上一帧点云数据中确定动态点数据；

42、点云配对单元，用于将所述上一帧点云数据和所述当前帧点云数据进行点云配对处理，得到所述上一帧点云数据和所述当前帧点云数据之间的点数据配对关系；

43、确定单元，用于根据所述点数据配对关系，以及所述上一帧点云数据中的动态点数据，在所述当前帧点云数据中确定动态点数据。

44、在一可能的实施方式中，所述点云匹配单元，具体用于：

45、针对所述推算点云数据中的每个推算点数据执行以下处理：

46、在所述上一帧点云数据中查找与所述推算点数据相匹配的第二点数据，所述推算点数据与其相匹配的第二点数据之间满足预设的一致性条件；

47、若在所述上一帧点云数据中查找到与所述推算点数据相匹配的第二点数据，则将查找到的所述第二点数据确定为所述上一帧点云数据中的动态点数据。

48、在一可能的实施方式中，所述预设的一致性条件包括：所述推算点数据与所述第二点数据各自的点云坐标值相同，或者，所述推算点数据与所述第二点数据之间的距离小于预设的距离阈值。

49、在一可能的实施方式中，所述装置还包括：

50、标识模块，用于在所述当前帧点云数据中的动态点数据的点数据信息中添加动态点数据标识；

51、所述动态点应用模块，包括：

52、动态点筛选单元，用于从所述当前帧点云数据中筛选出具有所述动态点数据标识的点数据；

53、模型应用单元，用于将筛选出的点数据输入至训练好的智能驾驶模型进行模型推理。

54、第三方面，本技术提供了一种设备，包括：至少一个通信接口；与所述至少一个通信接口相连接的至少一个总线；与所述至少一个总线相连接的至少一个处理器；与所述至少一个总线相连接的至少一个存储器，其中，所述处理器被配置为：

55、获取目标对象上搭载的雷达在当前帧时刻采集到的当前帧点云数据和在上一帧时刻采集到的上一帧点云数据；

56、获取所述目标对象自所述上一帧时刻至所述当前帧时刻的行驶状态信息；

57、将所述当前帧点云数据根据所述行驶状态信息进行逆变换，得到所述上一帧时刻的推算点云数据；

58、根据所述推算点云数据和所述上一帧点云数据，在所述当前帧点云数据中确定动态点数据，并利用所述动态点数据进行智能驾驶模型推理。

59、第四方面，本技术提供了一种计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行第一方面中任一项所述的点云数据的处理方法。

60、本技术实施例提供的上述技术方案与现有技术相比具有如下优点：本技术实施例提供的该方法，通过获取目标对象上搭载的雷达在当前帧时刻采集到的当前帧点云数据和在上一帧时刻采集到的上一帧点云数据，获取目标对象自上一帧时刻至当前帧时刻的行驶状态信息，将当前帧点云数据根据行驶状态信息进行逆变换，得到上一帧时刻的推算点云数据，根据推算点云数据和上一帧点云数据，在当前帧点云数据中确定动态点数据，实现了只需要相邻两帧点云数据即可确定动态点数据，这相较于传统多帧点云数据计算的方法大大降低了计算量；进一步的，通过利用动态点数据进行智能驾驶模型推理，大幅减少了模型需要推理的点云数据量，从而大幅降低了模型推理的计算复杂度，在此基础上，能够降低硬件算力成本，从而降低对算力平台的要求，更重要的是提高了模型推理的效率，使得模型推理更贴近实时，从而提高目标对象行驶过程中对环境感知的高效性以及智能驾驶系统的安全性。