[發(fā)明專利]用于基于LiDAR的聚類的自適應搜索

在審

• 申請?zhí)枺?/td>: 202110055574.9
• 申請日: 2021-01-15
• 公開（公告）號: CN113128551A
• 公開（公告）日: 2021-07-16
• 發(fā)明（設計）人: M-H·李
• 申請（專利權）人: 安波福技術有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/00
• 代理公司: 上海專利商標事務所有限公司 31100
• 代理人: 錢慰民;張鑫

一種對空間數(shù)據進行聚類的方法包括：接收包括在三維(3D)空間內限定的多個點的點云。該方法進一步包括：選擇一個或多個自適應聚類參數(shù)，并遍歷點云中的多個點中的每個點，并且基于與每個點相關聯(lián)的選定聚類參數(shù)，將點中的每個點選擇性地添加到一個或多個聚類。

技術領域

本公開大體上涉及處理由基于LiDAR的系統(tǒng)提供的成像數(shù)據，并且更具體地涉及對點進行搜索和聚類(cluster)以檢測物體的自適應基于密度的系統(tǒng)和方法。

背景技術

自主車輛要求具有“看見”車輛遇到的各種類型物體的能力，所述各種類型的物體包括其他車輛、行人、建筑物、大門以及自主車輛遇到的許多其他物體。非自主車輛類似地受益于檢測物體的能力。為此，車輛通常利用一種或多種類型的傳感器來收集被分析以標識各種物體的信息。具體地，光檢測和測距(light detection and ranging,LiDAR)傳感器通過以下方式操作：用激光照射目標，并用傳感器測量反射光，以確定到引起反射的物體的間距(range)。LiDAR系統(tǒng)提供的輸出是多個點，這些點被稱為點云，該點云表示3D形狀或特征。利用諸如聚類之類的機器學習技術將個體點組織成聚類的集合，所述聚類的集合可最終用于檢測和/或標識物體。

可以利用多種不同的聚類技術，包括(1)分區(qū)(partitioning)、(2)分層(hierarchical)、(3)基于密度和(4)基于網格。例如，一種常用的聚類技術是帶有噪聲的應用的基于密度的空間聚類(Density-Based Spatial Clustering of Applications withNoise,DBSCAN)，該聚類技術將緊密堆積在一起的點聚類在一起，并將位于低密度區(qū)域的那些點標記為離群值(outlier)或噪聲。DBSCAN的益處是它不要求先了解要形成的聚類的數(shù)量，這允許DBSCAN檢測具有任意形狀的聚類。然而，當在LiDAR應用中使用時，DBSCAN具有若干缺點，包括無法檢測位于傳感器附近和遠離傳感器的物體、無法對具有不同密度水平的物體(例如，灌木相比于車輛)進行聚類、以及無法利用LiDAR傳感器數(shù)據的屬性。

因此，開發(fā)克服與傳統(tǒng)聚類算法相關聯(lián)的缺點中的一個或多個缺點的聚類技術將是有益的。

發(fā)明內容

根據一個方面，一種對空間數(shù)據進行聚類的方法包括：接收包括在三維(3D)空間內限定的多個點的點云。該方法進一步包括：為多個點中的每一個選擇一個或多個自適應聚類參數(shù)。該方法進一步包括：遍歷點云中的多個點中的每個點，并且基于與每個點相關聯(lián)的選定聚類參數(shù)，將點中的每個點選擇性地添加到一個或多個聚類。

根據另一方面，一種對空間數(shù)據進行聚類的方法包括：接收包括在三維(3D)空間內限定的多個點的點云。從點云中選擇先前未聚類的點，并且如果選定點先前未被聚類，并且基于位于搜索半徑內的鄰近(neighboring)點的數(shù)量而將該選定點確定為核心點，則創(chuàng)建新的聚類。如果被確定為核心點，則將所標識的核心點的鄰近點添加到鄰居列表。對于鄰居列表上的每個點，作出鄰近點是否也是核心點的確定。對于被標識為核心點的鄰近點，將該點添加到該聚類中，并將該鄰近點(即核心點)的鄰居添加到鄰居列表中以供分析。對于未被標識為核心點的鄰近點，將鄰近點與相鄰(adjacent)點之間的方位角和/或仰角與閾值進行比較，其中，如果鄰近點與相鄰點之間的方位角或仰角小于閾值，則如果該相鄰點先前未被分配到聚類，則該相鄰點被添加到鄰居列表。

根據另一方面，系統(tǒng)包括至少一個處理器和聚類模塊，該聚類模塊被配置成在由至少一個處理器執(zhí)行時實現(xiàn)基于密度的聚類算法，該基于密度的聚類算法將由系統(tǒng)接收的多個點聚類為一個或多個聚類。基于密度的聚類算法被配置成：接收包括在三維(3D)空間內限定的多個點的點云，并將搜索算法應用于該點云，其中該搜索算法選擇包括以下各項中的一項或多項的聚類參數(shù)：用于點云中的每個點的最少點閾值和搜索半徑。基于密度的聚類算法被進一步配置成將聚類算法應用于點云，其中，該聚類算法遍歷該點云中的點中的至少一些，并利用通過搜索算法而與每個點相關聯(lián)的最少點閾值和搜索半徑，以將點選擇性地添加到聚類。

附圖說明