[發明專利]一種基于三維激光雷達傳感器的端到端點云數據壓縮方法

有效

• 申請號: 202110454876.3
• 申請日: 2021-04-26
• 公開（公告）號: CN113219493B
• 公開（公告）日: 2023-08-25
• 發明（設計）人: 黃凱;崔明月;吳成昊;劉云超;王博;羅宇翔
• 申請（專利權）人: 中山大學
• 主分類號: G01S17/931
• 分類號: G01S17/931;G01S7/48;G06N3/0464;G06N3/0442;G06N3/08
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 王曉玲

本發明涉及激光雷達傳感器及自動駕駛技術領域，更具體地，涉及一種基于三維激光雷達傳感器的端到端點云數據壓縮方法。方法結合了一個具有三通道融合鄰域曲率和密度特征的編碼器和一個具有額外可訓練參數的魯棒解碼器。結合特征信息，ConvLSTM在點云編解碼過程中可以得到更多的細節增強。交替解碼和上采樣的結構保證了點云的準確恢復。此外，提出的混合損失函數具有更快的收斂速度和更好的擬合性能。實驗表明，與基于Draco、八叉樹和JPEG的壓縮算法相比，該方法可以獲得更高的壓縮率和滿意的壓縮質量。此外，本發明的方法在不同的場景下均具有很好的泛化能力。

技術領域

本發明涉及激光雷達傳感器及自動駕駛技術領域，更具體地，涉及一種基于三維激光雷達傳感器的端到端點云數據壓縮方法。

背景技術

近年來無人駕駛汽車發展迅速，掃描成像激光雷達作為無人駕駛一種有效的解決方案，吸引著世界各國都在積極開展車載激光雷達的研究。車載激光雷達作為無人駕駛技術中重要的傳感器之一，對于保證無人駕駛汽車行車安全具有重要意義。隨著無人駕駛產業的進一步發展，車載激光雷達市場前景廣闊。

其中，三維激光雷達是一種基于光電探測的主動遙感設備，可以獲得更寬的視場和更直接的三維環境信息。目前，三維激光雷達已廣泛應用于智能機器人的識別、分割、規劃等領域。隨著上述優點同時到來的問題是：常規的多線三維激光雷達可以提供多達數百萬的點云數據。如此海量的傳感器數據需要巨大的計算能力，這給計算能力有限的車載單元帶來了嚴峻的挑戰。

為了減少對OBU的計算需求，2007年DARPA城市挑戰總結提出了一種混合式自動駕駛機制，即在車輛、路邊基礎設施和云之間共享信息。但是網絡傳輸能力遠遠不足以直接傳輸多傳感器數據，特別是對于三維激光雷達。

發明內容

本發明為克服上述現有技術中的至少一個缺陷，提供一種基于三維激光雷達傳感器的端到端點云數據壓縮方法，能夠有效地壓縮三維激光雷達點云數據流，在處理點云流編解碼中獲得較高的精度。

為解決上述技術問題，本發明采用的技術方案是：一種基于三維激光雷達傳感器的端到端點云數據壓縮方法，包括以下步驟：

S1.使用特征濾波提取曲率和密度特征，分別使用濾波函數來逐點計算和過濾每一幀的曲率和密度；

S2.歸一化與重排列：對過濾后的點云進行歸一化和重排；

S3.點云編碼神經網絡：在這個過程中編碼器采用三通道同時提取和壓縮點云數據流及其對應的曲率和密度；

S4.點云解碼神經網絡：發送到解碼器的編碼特征被解碼并交替地上采樣，最后恢復到與輸入進編碼網絡數據同樣的大小。

本發明提供了一種三維激光雷達的端到端點云數據流壓縮方法，該方法包括了特征濾波、歸一化、點云編碼網絡和解碼網絡四個部分。本發明提出的方法是基于LSTM網絡的點云序列結構壓縮，具有動態處理功能，能夠有效地壓縮三維激光雷達點云數據流。本方法首先使用特征濾波提取曲率和密度特征，分別使用濾波函數來逐點計算和過濾每一幀的曲率和密度。它不僅可以調整原始點云數據的大小，還可以提取特征從而提高解碼準確性。曲率和密度特征將補充網絡對點云特征的學習和提取。第二部分是歸一化與重排列，用來提高神經網絡的學習效率。下一部分是點云編碼神經網絡，在這個過程中編碼器采用三通道同時提取和壓縮點云數據流及其對應的曲率和密度。它們在神經網絡中共同作為特征參與學習，從而保證了神經網絡的細節準確性。最后一個部分是點云解碼神經網絡，發送到解碼器的編碼特征被解碼并交替地上采樣，最后恢復到與輸入進編碼網絡數據同樣的大小。對于點云數據流，該算法逐幀動態進行數據處理，實現了三維激光雷達端到端的點云數據流壓縮。相對于需要更多信息來保持點云特征精度的編碼過程，解碼過程可以適當簡化，以加快深度學習網絡的推理速度。