激光點云數據檢測方法及裝置、可讀存儲介質、終端與流程
1.本發明涉及計算機技術領域，尤其涉及一種激光點云數據檢測方法及裝置、可讀存儲介質、終端。
背景技術：
2.激光傳感器廣泛運用在自動駕駛中，它能提供準確的三維空間感知結果。但受傳感器硬件配置和光成像特性等因素影響，激光傳感器在不同采集場景下會產生拖點、吸點、鏡像反射等現象，產生異常數據，造成數據污染，影響自動駕駛效果。對激光傳感器采集的點云數據進行檢測分析，準確地發現異常數據對于自動駕駛安全性的保障十分重要。
3.目前激光傳感器數據的處理來自兩部分；一是雷達廠商提供的軟件，用來配置和獲取激光傳感器設置參數，以接收激光點云數據；二是點云處理算法模塊，可以對接收到的激光點云數據進行去噪處理，輸出感知結果。但是，雷達廠商提供的軟件主要用于提供數據通訊相關功能，而通常不具備點云數據檢測功能；而點云處理算法雖可以檢測并過濾點云數據中的噪聲，但通常因缺乏檢測結果分析和反饋機制，檢測準確度偏低。此外，現有的點云處理算法也難以檢測出因傳感器硬件問題和光成像特性等因素影響產生的拖點數據、激光束故障數據、鏡像反射數據等異常數據。
4.因此，亟需提供一種激光點云數據檢測方法，可以提高對激光點云數據中的異常數據的檢測準確性。
技術實現要素：
5.本發明實施例解決的技術問題是如何提高對激光點云數據中的異常數據的檢測準確性。
6.為解決上述技術問題，本發明實施例提供一種激光點云數據檢測方法，包括以下步驟：對激光傳感器采集的當前幀點云數據進行檢測，以得到當前幀異常數據，所述檢測包括使用檢測模型進行檢測；對當前幀異常數據進行分析，以確定檢測錯誤數據，所述檢測錯誤數據包括漏檢的數據和誤檢的數據；將所述檢測錯誤數據加入訓練數據集，所述訓練數據集用于再次訓練所述檢測模型；采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。
7.可選的，所述對當前幀異常數據進行分析，以確定檢測錯誤數據包括：采用障礙物數據以及當前幀參照數據，對所述當前幀異常數據進行分析，以確定所述檢測錯誤數據；其中，所述障礙物數據為所述當前幀點云數據中高度值大于等于預設高度閾值的各個點的集合，所述當前幀參照數據為同一時間通過所述激光傳感器以外的其他檢測方式采集得到的數據。
8.可選的，所述采用障礙物數據以及當前幀參照數據，對所述當前幀異常數據進行分析，以確定所述檢測錯誤數據包括：對于每個障礙物數據，如果所述當前幀參照數據中不存在該障礙物數據，并且所述當前幀異常數據未指示該障礙物數據異常，則將該障礙物數
據作為所述漏檢的數據。
9.可選的，所述采用障礙物數據以及當前幀參照數據，對所述當前幀異常數據進行分析，以確定所述檢測錯誤數據包括：對于每個障礙物數據，如果所述當前幀參照數據中存在該障礙物數據，但所述當前幀異常數據指示該障礙物數據異常，則將該障礙物數據作為所述誤檢的數據。
10.可選的，所述當前幀參照數據選自以下一項或多項：相機采集的當前幀圖像數據、攝像頭采集的當前幀視頻數據以及人工運營報告數據。
11.可選的，所述對激光傳感器采集的當前幀點云數據進行檢測包括：對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據，所述當前幀初步異常數據包括以下一項或多項：拖點數據、鏡像反射數據以及激光束故障數據；將所述當前幀初步異常數據輸入所述檢測模型進行二次檢測。
12.可選的，對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據包括：在所述當前幀點云數據的點云中心點的周圍預設區域內，選取第一預設數量個連續采集的點；對各個連續采集的點進行直線擬合，并判斷擬合得到的直線是否經過所述點云中心點；如果判斷結果為是，則將經過所述點云中心點的直線上的各個點作為所述拖點數據；其中，所述點云中心點為所述激光傳感器的中心點在所述當前幀點云數據的空間坐標系中的映射點。
13.可選的，對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據包括：對所述當前幀點云數據進行區域劃分，得到第二預設數量的區域點云；對于每個區域點云，分別判斷除該區域點云之外的其他各個區域點云是否與該區域點云存在鏡像關系；如果判斷結果為是，則將存在鏡像關系的各個區域點云中點的集合作為所述鏡像反射數據。
14.可選的，所述對于每個區域點云，分別判斷除該區域點云之外的其他各個區域點云是否與該區域點云存在鏡像關系包括：對于每個區域點云，分別對除該區域點云之外的其他各個區域點云與該區域點云進行點云配準，得到多個配準后點云；分別計算該區域點云與各個配準后點云之間的相似度；如果相似度大于等于第一預設閾值，則確認該區域點云與配準后點云對應的配準前的區域點云之間存在鏡像關系。
15.可選的，對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據包括：確定采集所述當前幀點云數據時所述激光傳感器發射的各個激光束對應的激光束點集；對于每個激光束點集，確定該激光束點集中的各個點與所述當前幀點云數據的點云中心點的最大距離和最小距離；如果所述最大距離與所述最小距離的差值小于等于第二預設閾值，則將所述點云中心點作為圓心、所述最大距離作為第一半徑、所述最小距離作為第二半徑，擬合得到圓環；判斷所述圓環內的各個點是否均勻分布；如果判斷結果為是，則將所述圓環內的各個點作為所述激光束故障數據；其中，所述點云中心點為所述激光傳感器的中心點在所述當前幀點云數據的空間坐標系中的映射點。
16.可選的，所述判斷所述圓環內的各個點是否均勻分布包括：對所述圓環進行區域劃分，得到第三預設數量個大小相同的子區域；計算每個子區域內的點數量之間的均方差；如果所述均方差小于等于第三預設閾值，則確定所述圓環內的各個點均勻分布。
17.可選的，對所述圓環進行區域劃分，得到第三預設數量個大小相同的子區域包括：將所述圓環劃分為第三預設數量個大小相同的扇區。
18.可選的，在對激光傳感器采集的當前幀點云數據進行檢測之前，所述方法還包括：在所述激光傳感器啟動時，對所述激光傳感器的運行相關參數進行檢查；如果檢查發現異常，則發出第一告警提示，所述第一告警提示用于指示所述激光傳感器的運行參數異常。
19.可選的，所述激光傳感器的運行相關參數選自以下一項或多項：所述激光傳感器的ip地址、數據傳輸端口以及數據采集頻率。
20.可選的，在檢測得到所述當前幀異常數據之后，所述方法還包括：基于所述激光傳感器所屬車輛的標識、所述激光傳感器的標識、采集地點以及所述當前幀異常數據，確定所述當前幀點云數據的采集狀態信息；向用戶反饋所述采集狀態信息。
21.本發明實施例還提供一種激光點云數據檢測裝置，包括：當前幀點云檢測模塊，用于對激光傳感器采集的當前幀點云數據進行檢測，以得到當前幀異常數據，所述檢測包括使用檢測模型進行檢測；檢測錯誤分析模塊，用于對當前幀異常數據進行分析，以確定檢測錯誤數據，所述檢測錯誤數據包括漏檢的數據和誤檢的數據；檢測模型優化模塊，用于將所述檢測錯誤數據加入訓練數據集，所述訓練數據集用于再次訓練所述檢測模型；迭代檢測模塊，用于采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。
22.本發明實施例還提供一種可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器運行時執行上述激光點云數據檢測方法的步驟。
23.本發明實施例還提供一種終端，包括存儲器和處理器，所述存儲器上存儲有能夠在所述處理器上運行的計算機程序，所述處理器運行所述計算機程序時執行上述激光點云數據檢測方法的步驟。
24.與現有技術相比，本發明實施例的技術方案具有以下有益效果：
25.在本發明實施例中，使用檢測模型對激光傳感器采集的當前幀點云數據進行檢測，得到當前幀異常數據之后，對所得到的當前幀異常數據進行分析，確定漏檢的數據和誤檢的數據；然后再將漏檢的數據和誤檢的數據加入訓練數據集，以再次訓練所述檢測模型；采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。如此循環迭代，在每次檢測后都對檢測結果進行分析得到檢測錯誤數據，檢測錯誤數據可以用于再次訓練檢測模型。由此，可以在檢測過程中持續優化檢測模型，從而有效提高檢測的準確性。
26.進一步，通過采用障礙物數據以及當前幀參照數據，對所述當前幀異常數據進行分析，具體而言：對于每個障礙物數據，如果當前幀參照數據中不存在該障礙物數據，并且當前幀異常數據未指示該障礙物數據異常，則將該障礙物數據作為漏檢的數據；對于每個障礙物數據，如果當前幀參照數據中存在該障礙物數據，但當前幀異常數據指示該障礙物數據異常，則將該障礙物數據作為誤檢的數據；其中，所述障礙物數據為當前幀點云數據中高度值大于等于預設高度閾值的各個點的集合，當前幀參照數據為同一時間通過所述激光傳感器以外的其他檢測方式采集得到的數據。
27.在自動駕駛場景中，由于障礙物數據(高度值高于一定值的數據)對自動駕駛的安全性影響大，且因傳感器硬件問題和光成像特性等因素產生的大部分異常數據在點云數據中的呈現形式往往類似于障礙物的數據。由此，通過一并采用障礙物數據以及當前幀參照數據對當前幀異常數據進行分析，而無需讓點云中障礙物數據以外參與運算，可以大幅減少運算數據量，提高分析效率。
28.進一步，本發明實施例對激光傳感器采集的當前幀點云數據進行檢測的過程包括
初步檢測和二次檢測，并且初步檢測采用的方法和二次檢測采用的方法不同。此外，在初步檢測中，對于不同類型的異常數據采用了針對性的檢測方法。由此，有助于提高每次檢測中所得到的當前幀異常數據的準確性，進而提高后續步驟中確定檢測錯誤數據的準確性，進而提高對所述檢測模型的迭代優化效果，最終實現檢測精度的提高。
29.進一步，本發明實施例不僅對激光傳感器運行過程中采集的點云數據進行持續且迭代優化地準確，還可以對激光傳感器啟動時的運行相關參數進行檢測，并在發現異常時進行告警。由此，可以實現閉環式的檢測流程，及時發現不同階段的異常問題，從而充分保障自動駕駛的安全性。
附圖說明
30.圖1是本發明實施例中一種激光點云數據檢測方法的流程圖；
31.圖2是圖1中步驟s11的一種具體實施方式的流程圖；
32.圖3是圖2中步驟s21的一種具體實施方式的流程圖；
33.圖4是圖2中步驟s21的另一種具體實施方式的流程圖；
34.圖5是圖2中步驟s21的又一種具體實施方式的流程圖；
35.圖6是本發明實施例中一種激光點云數據檢測裝置的結構示意圖。
具體實施方式
36.如前所述，對激光傳感器采集的點云數據進行檢測分析，準確地發現異常數據對于自動駕駛安全性的保障十分重要。
37.目前的點云處理算法雖可以檢測并過濾掉點云數據中的噪聲，但檢測準確度偏低。并且，現有點云處理算法難以檢測出因傳感器硬件問題和光成像特性等因素影響產生的特殊異常數據，例如拖點數據、激光束故障數據、鏡像反射數據等。
38.本發明的發明人經研究發現，一方面，現有點云處理算法往往對不同幀點云數據采用同樣的檢測方式逐幀或多幀結合起來檢測，缺乏檢測結果分析和檢測方式優化機制，導致檢測的準確度偏低；另一方面，造成現有點云處理算法難以檢測出因傳感器硬件問題和光成像特性等因素影響產生的上述異常數據的原因主要在于：拖點數據、激光束故障數據、鏡像反射數據等異常數據在點云數據中的表現形式和障礙物的數據較為類似，現有的點云處理算法通常會將這些異常數據誤判為采集過程中激光束遇到障礙物反射形成的有效數據。然而，這部分異常數據在實際采集環境中卻沒有對應的障礙物，因此可以被稱為“偽障礙物數據”，“偽障礙物數據”有必要在檢測中被發現，否則可能對自動駕駛的安全性產生隱患。
39.為解決上述技術問題，本發明實施例提供一種激光點云數據檢測方法，具體包括：對激光傳感器采集的當前幀點云數據進行檢測，以得到當前幀異常數據，所述檢測包括使用檢測模型進行檢測；對當前幀異常數據進行分析，以確定檢測錯誤數據，所述檢測錯誤數據包括漏檢的數據和誤檢的數據；將所述檢測錯誤數據加入訓練數據集，所述訓練數據集用于再次訓練所述檢測模型；采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。
40.由上，本發明實施例通過在每次檢測后都對檢測結果進行分析得到檢測錯誤數
據，然后采用檢測錯誤數據再次訓練檢測模型，再采用訓練后的檢測模型對后續點云數據進行檢測，相比于現有點云處理算法往往對不同幀點云數據采用同樣的檢測方式來檢測，本發明實施例提供的檢測方案可以在檢測過程中持續不斷地優化檢測模型和檢測效果，從而有效提高檢測的準確性。
41.為使本發明的上述目的、特征和有益效果能夠更為明顯易懂，下面結合附圖對本發明的具體實施例做詳細說明。
42.參照圖1，圖1是本發明實施例中一種激光點云數據檢測方法的流程圖。所述方法可以應用于具備數據檢測能力的各種終端設備，例如車載計算設備、計算機、服務器、云平臺等。所述方法可以包括步驟s11至步驟s14：
43.步驟s11：對激光傳感器采集的當前幀點云數據進行檢測，以得到當前幀異常數據，所述檢測包括使用檢測模型進行檢測；
44.步驟s12：對當前幀異常數據進行分析，以確定檢測錯誤數據，所述檢測錯誤數據包括漏檢的數據和誤檢的數據；
45.步驟s13：將所述檢測錯誤數據加入訓練數據集，所述訓練數據集用于再次訓練所述檢測模型；
46.步驟s14：采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。
47.在步驟s11的具體實施中，所述點云數據可以是三維坐標系統中的一組帶空間坐標的采樣點的集合。所述激光傳感器采集的當前幀點云數據可以是由激光傳感器在某一時刻針對某一對象或區域場景采集的。在自動駕駛領域，所述激光傳感器可以是激光雷達，可以安裝在車輛正前方或車身特定部位或其他合適部位。
48.其中，所述車輛可以是運用無人駕駛技術的各種類型的車輛，如無人駕駛的普通乘用轎車，無人駕駛貨車，無人駕駛清掃車、灑水車，無人駕駛公交車等大-中-小型車輛等等。
49.所述對當前幀點云數據進行檢測所使用的檢測模型可以是采用多幀歷史檢測出的異常數據作為樣本數據集，對預設的模型進行訓練后得到的。所述預設的模型可以是現有的具有數據分析、檢測、識別等功能的機器學習模型，訓練的方法可是現有的常規訓練方法，本發明實施例對此不做限制。
50.參照圖2，圖2是圖1中步驟s11的一種具體實施方式的流程圖。所述步驟s11中對激光傳感器采集的當前幀點云數據進行檢測可以包括步驟s21至步驟s22，以下對各個步驟進行說明。
51.在步驟s21中，對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據，所述當前幀初步異常數據包括以下一項或多項：拖點數據、鏡像反射數據以及激光束故障數據。
52.其中，所述拖點數據、鏡像反射數據以及激光束故障數據在點云數據中的呈現形式類似于障礙物的數據(即，針對采集環境中的實際障礙物所采集得到的數據)。因此，這幾種異常數據往往容易被用戶或者點云處理算法誤當成有效的障礙物數據。
53.具體而言，所述拖點數據可以指激光傳感器(例如激光雷達)在同一次發射激光束時，光斑同時打到了距離較近的兩個物體邊緣或者打在了多層障礙物上，回波疊加后造成
前沿、脈寬不準，形成物體之間的連線的各個點。在激光雷達生成點云點數據時，例如在第一障礙物和第二障礙物之間存在拖點數據，該拖點數據可能會被誤認為是第一障礙物和第二障礙物之間存在的其他障礙物/目標物的數據。
54.所述鏡像反射數據可以指因光學成像特性導致采集的點云數據中，兩個或兩個以上具有較高相似度(即具有鏡像關系)的區域點云。例如，在隧道等封閉環境中，隧道壁及欄桿等交通附屬設施可能反射嚴重導致鏡像反射數據。在激光雷達生成點云點數據時，如果針對某個特定障礙物采集得到的區域點云，與另一個區域點云存在鏡像關系，則該存在鏡像關系的另一個區域點云也會被誤認為是其他障礙物的數據。
55.所述激光束故障數據可以是因激光傳感器中用于發射激光的組件出現故障所導致的異常數據。在點云數據采集過程中，激光傳感器會主動發射若干激光束，通過測量激光打到障礙物或路面等采集對象再反射回來所需要的時間，來計算激光傳感器到目標點的距離，從而獲取很多個三維數據點，形成“點云”。當激光束發射組件發生故障時，在點云數據中就可能會產生激光束故障數據。
56.在具體實施中，所述當前幀初步異常數據除了上述列舉的幾種，還可以是其他的因激光傳感器硬件故障等原因產生的、在點云數據中表現為障礙物數據的異常數據。由于這類異常數據在實際采集環境中并沒有對應的障礙物，因此也可以稱為“偽障礙物數據”。
57.參照圖3，圖3是圖2中步驟s21的一種具體實施方式的流程圖。
58.在本實施例中，所述步驟s21可以包括步驟s31至步驟s33：
59.在步驟s31中，在所述當前幀點云數據的點云中心點的周圍預設區域內，選取第一預設數量個連續采集的點。
60.其中，所述點云中心點為所述激光傳感器的中心點在所述當前幀點云數據的空間坐標系中的映射點。
61.其中，所述連續采集可以用于指示采集時間上的連續性。所述預設區域以及所述第一預設數量可以根據當前幀點云數據中點的數量、當前幀點云數據采集時針對的采集區域大小等進行合理設置，本發明實施例對此不做限制。
62.在步驟s32中，對各個連續采集的點進行直線擬合，并判斷擬合得到的直線是否經過所述點云中心點。
63.在具體實施中，可以采用現有的常規直線擬合方法對各個連續采集的點進行直線擬合。例如，對每個點(x，y，z)，給定x和y的值，確定z的預測值，計算z的預測值和實際值的誤差，擬合的目標就是使得各個點的z的預測值和實際值的誤差的平方和最小化。
64.對于擬合得到的直線ax+by+cz+d＝0；如果d接近0(即，d的絕對值小于預設值)，則可以確認該直線經過點云中心點。
65.在步驟s33中，如果判斷結果為是，則將經過所述點云中心點的直線上的各個點作為所述拖點數據。
66.可以理解的是，如果判斷結果為否，則可以確認當前幀點云數據中未檢測出拖點數據。
67.在本發明實施例中，通過采用上述直線擬合方式，可以在運算開銷損耗較小的同時，準確、高效地確定所述拖點數據。
68.參照圖4，圖4是圖2中步驟s21的另一種具體實施方式的流程圖。
69.在本實施例中，所述步驟s21可以包括步驟s41至步驟s43：
70.在步驟s41中，對所述當前幀點云數據進行區域劃分，得到第二預設數量的區域點云。
71.具體而言，為提高后續鏡像關系判斷的準確性，在進行區域劃分時，所劃分出的各個區域點云的大小和形狀應盡可能相同。作為一個非限制性實施例，可以采用3
×
3米的正方形區域進行劃分。在具體實施中，所劃分出的點云區域的大小和形狀可以根據具體應用場景的不同進行設置，本發明實施例對此不做限制，
72.在步驟s42中，對于每個區域點云，分別判斷除該區域點云之外的其他各個區域點云是否與該區域點云存在鏡像關系。
73.進一步，所述步驟s42可以包括：對于每個區域點云，分別對除該區域點云之外的其他各個區域點云與該區域點云進行點云配準，得到多個配準后點云；分別計算該區域點云與各個配準后點云之間的相似度；如果相似度大于等于第一預設閾值，則確認該區域點云與配準后點云對應的配準前的區域點云之間存在鏡像關系。
74.在具體實施中，進行點云配準所采用的方法可以是現有的常規配準方法，此處不再贅述。所述第一預設閾值可以綜合考慮軟硬件因素、采集環境因素、每次進行配準的點云數據量等各種因素影響進行合理設置。在一些非限制性實施例中，所述第一預設閾值可以設置為80％～100％之間的合適數值。
75.在步驟s43中，如果步驟s42的判斷結果為是，則將存在鏡像關系的各個區域點云中點的集合作為所述鏡像反射數據。
76.在本發明實施例中，基于鏡像反射原理，存在鏡像關系的各個區域點云之間的相似度往往較高，因為通過采用點云配準和相似度計算方法，有助于提高判斷的準確性。
77.參照圖5，圖5是圖2中步驟s21的又一種具體實施方式的流程圖。
78.在本實施例中，所述步驟s21可以包括步驟s51至步驟s55：
79.在步驟s51中，確定采集所述當前幀點云數據時所述激光傳感器發射的各個激光束對應的激光束點集。
80.其中，每個激光束點集可以是激光傳感器發射的單束激光束打到障礙物等采集對象表面再反射回來后，由數據接收模塊接收反射回來的激光束并經過一定運算處理后得到的包含三維空間信息的點的集合。
81.在步驟s52中，對于每個激光束點集，確定該激光束點集中的各個點與所述當前幀點云數據的點云中心點的最大距離和最小距離。
82.在具體實施中，可以對該激光束點集進行時間或空間上的抽樣處理，以選取出一定數量的點進行計算，從而可以有效減少運算數據量，降低運算開銷且提高運算效率。
83.在步驟s53中，如果所述最大距離與所述最小距離的差值小于等于第二預設閾值，則將所述點云中心點作為圓心、所述最大距離作為第一半徑、所述最小距離作為第二半徑，擬合得到圓環。
84.其中，所述第二預設閾值可以綜合考慮軟硬件因素、采集環境因素、每次進行計算的激光束點集中的點的數量等各種因素影響進行合理設置。可以理解的是，所述第二預設閾值不能設置太大，否則會導致圓環的寬度太大(圓環面積也會太大)，增加運算數據量；所述第二預設閾值也不能設置太小，否則會導致圓環的寬度太小(圓環面積也會太小)，導致
參與運算的數量不足而降低后續步驟中判斷的準確性。
85.在步驟s54中，判斷所述圓環內的各個點是否均勻分布。
86.進一步，所述步驟s54可以包括：對所述圓環進行區域劃分，得到第三預設數量個大小相同的子區域；計算每個子區域內的點數量之間的均方差；如果所述均方差小于等于第三預設閾值，則確定所述圓環內的各個點均勻分布。
87.作為一個非限制性實施例，可以將所述圓環劃分為第三預設數量個大小相同的扇區。其中，每個扇區可以對應于相同大小的水平角度區間。例如，可以將所述圓環劃分為36個大小相同的扇區：第1個扇區對應于[0
°
,10
°
]，第2個扇區對應于[10
°
,20
°
]，第3個扇區對應于[20
°
,30
°
]
……
第36個扇區對應于[350
°
,360
°
]。
[0088]
在上述實施例中，可以根據所述圓環內各個點的水平角確定每個點所屬的扇區，然后統計每個扇區內包含的點數量，再計算各個扇區內包含的點數量的均方差。
[0089]
在具體實施中，也可以采用其他方式對所述圓環進行區域劃分，劃分的具體方法可以參照圖4中步驟s41的相關描述，此處不再贅述。
[0090]
在步驟s55中，如果步驟s54的判斷結果為是，也即圓環內的各個點均勻分布，則將所述圓環內的各個點作為所述激光束故障數據。
[0091]
由于點云數據采集的實際場景中，激光束故障往往會導致信號接收模塊解析出來目標點到激光傳感器的距離出現誤差，導致該激光束對應的激光束點集在點云中呈現為圓環狀，圓環的寬度通常由噪聲的大小決定，圓環的平均半徑通常由故障信號大小決定。在本發明實施例中，基于前述激光束故障數據的產生原理，采用步驟s51至步驟s55的方案確定激光束故障數據，有助于提高判斷的準確性。繼續參照圖2，在步驟s22中，將所述當前幀初步異常數據輸入所述檢測模型進行二次檢測。
[0092]
在本發明實施例中，對激光傳感器采集的當前幀點云數據進行檢測的過程包括初步檢測和二次檢測，并且初步檢測采用的方法和二次檢測采用的方法不同。此外，在初步檢測中，對于不同類型的異常數據采用了針對性的檢測方法。由此，有助于提高每次檢測中所得到的當前幀異常數據的準確性，進而提高后續步驟中確定檢測錯誤數據的準確性，進而提高對所述檢測模型的迭代優化效果，最終實現檢測精度的提高。
[0093]
繼續參照圖1，在步驟s12的具體實施中，所述對當前幀異常數據進行分析，以確定檢測錯誤數據執至少可以采用下述兩種方式：
[0094]
方式一：采用當前幀參照數據，對所述當前幀異常數據進行分析，以確定所述檢測錯誤數據。
[0095]
其中，所述當前幀參照數據為同一時間通過所述激光傳感器以外的其他檢測方式采集得到的數據。
[0096]
可以理解的是，在點云數據采集時，采集車輛移動過程中，傳感器在不同時間感知到的具體區域場景也在變換。因此，應保證前幀參照數據與當前幀點云數據的采集時刻以及采集對象相同。通過控制采集時間一致和采集對象/區域場景一致，可以確保當前幀點云數據和當前幀參照點云數據反映或指向的是現實世界中同一對象，進而保證后續分析結果的準確性。
[0097]
在一些非限制性實施例中，所述當前幀參照數據可以選自相機采集的當前幀圖像數據、攝像頭采集的當前幀視頻數據以及人工運營報告數據中的一項或多項。
[0098]
其中，所述人工運營報告數據可以是采集過程中，點云數據的采集人員(例如采集車輛的人員)在采集過程中經分析采集對象而記錄、存儲的數據。例如，每當車輛前方遇到障礙物時，對障礙物的相關數據進行記錄并存儲得到的采集記錄性數據。
[0099]
在具體實施中，還可以采用其他傳感器在同一時間針對同一對象采集的數據作為當前幀參照數據，本發明實施例對此不做限制。
[0100]
方式二：采用障礙物數據以及當前幀參照數據，對所述當前幀異常數據進行分析，以確定所述檢測錯誤數據。
[0101]
其中，所述障礙物數據為所述當前幀點云數據中高度值大于等于預設高度閾值的各個點的集合。
[0102]
關于所述當前幀參照數據的內容可以參照上述方式一中的相關描述，此處不再贅述。
[0103]
在具體實施中，對于每個障礙物數據，如果所述當前幀參照數據中不存在該障礙物數據，并且所述當前幀異常數據未指示該障礙物數據異常，則將該障礙物數據作為所述漏檢的數據。
[0104]
在具體實施中，對于每個障礙物數據，如果所述當前幀參照數據中存在該障礙物數據，但所述當前幀異常數據指示該障礙物數據異常，則將該障礙物數據作為所述誤檢的數據。
[0105]
在本發明實施例中，由于自動駕駛場景中，障礙物數據(高度值高于一定值的數據)對自動駕駛的安全性影響大，且因傳感器硬件問題和光成像特性等因素產生的大部分異常數據在點云數據中的呈現形式往往類似于障礙物的數據。由此，通過一并采用障礙物數據以及當前幀參照數據對當前幀異常數據進行分析，而無需讓點云中障礙物數據以外參與運算，可以大幅減少運算數據量，提高分析效率。
[0106]
進一步，在執行步驟s11檢測得到所述當前幀異常數據之后，本實施例所述方法還可以包括：基于所述激光傳感器所屬車輛的標識、所述激光傳感器的標識、采集地點以及所述當前幀異常數據，確定所述當前幀點云數據的采集狀態信息；向用戶反饋所述采集狀態信息。采用這樣的方案，可以讓用戶實時獲取到每幀點云數據的采集狀態，并在發現異常時及時進行干預，從而有助于提高所采集的點云數據的質量。
[0107]
在步驟s13的具體實施中，所述訓練數據集可以是對多幀點云數據進行檢測得到的異常數據進行分析后確定的多幀檢測錯誤數據的集合。具體而言，在點云數據采集過程中，可以每隔預設時長采用所述訓練數據集再次訓練所述檢測模型；也可以每當所述訓練數據集中的檢測錯誤數據的幀數達到預設幀數時，采用所述訓練數據集再次訓練所述檢測模型；還可以在其他合適的時機(例如，設備空閑時)采用所述訓練數據集用于再次訓練所述檢測模型。本發明實施例對此不做限制。
[0108]
在步驟s14的具體實施中，所述激光傳感器后續采集的點云數據可以是所述當前幀點云數據的采集時刻往后經過預設時長后的某個時刻采集的單幀點云數據；也可以是采集所述當前幀點云數據往后再采集預設幀數之后采集的單幀點云數據。然后，所述后續采集的單幀點云數據將作為下一輪點云檢測的當前幀點云數據。如此循環進行。
[0109]
在具體實施中，所述步驟s14中也可以對所述后續采集的點云數據進行初步檢測，再采用再次訓練的所述檢測模型對初步檢測的結果進行二次檢測。
[0110]
在具體實施中，關于進行初步檢測的方法可以前文及參照圖3至圖5所示實施例中描述的檢測方法，此處不再贅述。
[0111]
在本發明實施例中，通過在每次檢測后都對檢測結果進行分析得到檢測錯誤數據，然后可以將該錯誤數據用于再次訓練檢測模型，如此循環迭代，可以在檢測過程中持續優化檢測模型，從而有效提高檢測的準確性。
[0112]
進一步，在步驟s11之前，所述方法還包括：在所述激光傳感器啟動時，對所述激光傳感器的運行相關參數進行檢查；如果檢查發現異常，則發出第一告警提示，所述第一告警提示用于指示所述激光傳感器的運行參數異常。
[0113]
在一些非限制性實施例中，所述激光傳感器的運行相關參數可以選自所述激光傳感器的ip地址、數據傳輸端口以及數據采集頻率中的一項或多項。在具體實施中，所述運行相關參數也可以是與激光傳感器運行有關的、可能影響采集效果的其他重要參數，本發明實施例對此不做限制。
[0114]
在本發明實施例中，不僅對激光傳感器運行過程中采集的點云數據進行持續且迭代優化地準確，還可以對激光傳感器啟動時的運行相關參數進行檢測，并在發現異常時進行告警。由此，可以實現閉環式的檢測流程，及時發現不同階段的異常問題，從而充分保障自動駕駛的安全性。
[0115]
參照圖6，圖6是本發明實施例中一種激光點云數據檢測裝置的結構示意圖。所述激光點云數據檢測裝置可以包括：
[0116]
當前幀點云檢測模塊61，用于對激光傳感器采集的當前幀點云數據進行檢測，以得到當前幀異常數據，所述檢測包括使用檢測模型進行檢測；
[0117]
檢測錯誤分析模塊62，用于對當前幀異常數據進行分析，以確定檢測錯誤數據，所述檢測錯誤數據包括漏檢的數據和誤檢的數據；
[0118]
檢測模型優化模塊63，用于將所述檢測錯誤數據加入訓練數據集，所述訓練數據集用于再次訓練所述檢測模型；
[0119]
迭代檢測模塊64，用于采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。
[0120]
關于該激光點云數據檢測裝置的原理、具體實現和有益效果請參照前文及圖1至圖5示出的關于激光點云數據檢測方法的相關描述，此處不再贅述。
[0121]
本發明實施例還提供了一種計算機可讀存儲介質(可簡稱為“可讀存儲介質”)，其上存儲有計算機程序，所述計算機程序被處理器運行時執行上述圖1至圖5所示的激光點云數據檢測方法的步驟。所述計算機可讀存儲介質可以包括非揮發性存儲器(non-volatile)或者非瞬態(non-transitory)存儲器，還可以包括光盤、機械硬盤、固態硬盤等。
[0122]
具體地，在本發明實施例中，所述處理器可以為中央處理單元(central processing unit，簡稱cpu)，該處理器還可以是其他通用處理器、數字信號處理器(digital signalprocessor，簡稱dsp)、專用集成電路(application specific integrated circuit，簡稱asic)、現場可編程門陣列(fieldprogrammable gate array，簡稱fpga)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件等。通用處理器可以是微處理器或者該處理器也可以是任何常規的處理器等。
[0123]
還應理解，本技術實施例中的存儲器可以是易失性存儲器或非易失性存儲器，或
可包括易失性和非易失性存儲器兩者。其中，非易失性存儲器可以是只讀存儲器(read-only memory，簡稱rom)、可編程只讀存儲器(programmable rom，簡稱prom)、可擦除可編程只讀存儲器(erasable prom，簡稱eprom)、電可擦除可編程只讀存儲器(electrically eprom，簡稱eeprom)或閃存。易失性存儲器可以是隨機存取存儲器(random access memory，簡稱ram)，其用作外部高速緩存。通過示例性但不是限制性說明，許多形式的隨機存取存儲器(random access memory，簡稱ram)可用，例如靜態隨機存取存儲器(static ram，簡稱sram)、動態隨機存取存儲器(dram)、同步動態隨機存取存儲器(synchronous dram，簡稱sdram)、雙倍數據速率同步動態隨機存取存儲器(double datarate sdram，簡稱ddr sdram)、增強型同步動態隨機存取存儲器(enhanced sdram，簡稱esdram)、同步連接動態隨機存取存儲器(synchlink dram，簡稱sldram)和直接內存總線隨機存取存儲器(direct rambus ram，簡稱dr ram)。
[0124]
本發明實施例還提供了一種終端，包括存儲器和處理器，所述存儲器上存儲有能夠在所述處理器上運行的計算機程序，所述處理器運行所述計算機程序時執行上述圖1至圖5所示的激光點云數據檢測方法的步驟。所述終端可以包括但不限于手機、計算機、平板電腦等終端設備，還可以為服務器、云平臺等。
[0125]
應理解，本文中術語“和/或”，僅僅是一種描述關聯對象的關聯關系，表示可以存在三種關系，例如，a和/或b，可以表示：單獨存在a，同時存在a和b，單獨存在b這三種情況。另外，本文中字符“/”，表示前后關聯對象是一種“或”的關系。
[0126]
本技術實施例中出現的“多個”是指兩個或兩個以上。
[0127]
本技術實施例中出現的第一、第二等描述，僅作示意與區分描述對象之用，沒有次序之分，也不表示本技術實施例中對設備個數的特別限定，不能構成對本技術實施例的任何限制。
[0128]
需要指出的是，本實施例中各個步驟的序號并不代表對各個步驟的執行順序的限定。
[0129]
雖然本發明披露如上，但本發明并非限定于此。任何本領域技術人員，在不脫離本發明的精神和范圍內，均可作各種更動與修改，因此本發明的保護范圍應當以權利要求所限定的范圍為準。
技術特征：
1.一種激光點云數據檢測方法，其特征在于，包括：對激光傳感器采集的當前幀點云數據進行檢測，以得到當前幀異常數據，所述檢測包括使用檢測模型進行檢測；對當前幀異常數據進行分析，以確定檢測錯誤數據，所述檢測錯誤數據包括漏檢的數據和誤檢的數據；將所述檢測錯誤數據加入訓練數據集，所述訓練數據集用于再次訓練所述檢測模型；采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。2.根據權利要求1所述的方法，其特征在于，所述對當前幀異常數據進行分析，以確定檢測錯誤數據包括：采用障礙物數據以及當前幀參照數據，對所述當前幀異常數據進行分析，以確定所述檢測錯誤數據；其中，所述障礙物數據為所述當前幀點云數據中高度值大于等于預設高度閾值的各個點的集合，所述當前幀參照數據為同一時間通過所述激光傳感器以外的其他檢測方式采集得到的數據。3.根據權利要求2所述的方法，其特征在于，所述采用障礙物數據以及當前幀參照數據，對所述當前幀異常數據進行分析，以確定所述檢測錯誤數據包括：對于每個障礙物數據，如果所述當前幀參照數據中不存在該障礙物數據，并且所述當前幀異常數據未指示該障礙物數據異常，則將該障礙物數據作為所述漏檢的數據。4.根據權利要求2所述的方法，其特征在于，所述采用障礙物數據以及當前幀參照數據，對所述當前幀異常數據進行分析，以確定所述檢測錯誤數據包括：對于每個障礙物數據，如果所述當前幀參照數據中存在該障礙物數據，但所述當前幀異常數據指示該障礙物數據異常，則將該障礙物數據作為所述誤檢的數據。5.根據權利要求2至4中任一項所述的方法，其特征在于，所述當前幀參照數據選自以下一項或多項：相機采集的當前幀圖像數據、攝像頭采集的當前幀視頻數據以及人工運營報告數據。6.根據權利要求1所述的方法，其特征在于，所述對激光傳感器采集的當前幀點云數據進行檢測包括：對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據，所述當前幀初步異常數據包括以下一項或多項：拖點數據、鏡像反射數據以及激光束故障數據；將所述當前幀初步異常數據輸入所述檢測模型進行二次檢測。7.根據權利要求6所述的方法，其特征在于，對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據包括：在所述當前幀點云數據的點云中心點的周圍預設區域內，選取第一預設數量個連續采集的點；對各個連續采集的點進行直線擬合，并判斷擬合得到的直線是否經過所述點云中心點；如果判斷結果為是，則將經過所述點云中心點的直線上的各個點作為所述拖點數據；其中，所述點云中心點為所述激光傳感器的中心點在所述當前幀點云數據的空間坐標系中的映射點。
8.根據權利要求6所述的方法，其特征在于，對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據包括：對所述當前幀點云數據進行區域劃分，得到第二預設數量的區域點云；對于每個區域點云，分別判斷除該區域點云之外的其他各個區域點云是否與該區域點云存在鏡像關系；如果判斷結果為是，則將存在鏡像關系的各個區域點云中點的集合作為所述鏡像反射數據。9.根據權利要求8所述的方法，其特征在于，所述對于每個區域點云，分別判斷除該區域點云之外的其他各個區域點云是否與該區域點云存在鏡像關系包括：對于每個區域點云，分別對除該區域點云之外的其他各個區域點云與該區域點云進行點云配準，得到多個配準后點云；分別計算該區域點云與各個配準后點云之間的相似度；如果相似度大于等于第一預設閾值，則確認該區域點云與配準后點云對應的配準前的區域點云之間存在鏡像關系。10.根據權利要求6所述的方法，其特征在于，對所述當前幀點云數據進行初步檢測，以確定當前幀初步異常數據包括：確定采集所述當前幀點云數據時所述激光傳感器發射的各個激光束對應的激光束點集；對于每個激光束點集，確定該激光束點集中的各個點與所述當前幀點云數據的點云中心點的最大距離和最小距離；如果所述最大距離與所述最小距離的差值小于等于第二預設閾值，則將所述點云中心點作為圓心、所述最大距離作為第一半徑、所述最小距離作為第二半徑，擬合得到圓環；判斷所述圓環內的各個點是否均勻分布；如果判斷結果為是，則將所述圓環內的各個點作為所述激光束故障數據；其中，所述點云中心點為所述激光傳感器的中心點在所述當前幀點云數據的空間坐標系中的映射點。11.根據權利要求10所述的方法，其特征在于，所述判斷所述圓環內的各個點是否均勻分布包括：對所述圓環進行區域劃分，得到第三預設數量個大小相同的子區域；計算每個子區域內的點數量之間的均方差；如果所述均方差小于等于第三預設閾值，則確定所述圓環內的各個點均勻分布。12.根據權利要求11所述的方法，其特征在于，對所述圓環進行區域劃分，得到第三預設數量個大小相同的子區域包括：將所述圓環劃分為第三預設數量個大小相同的扇區。13.根據權利要求1所述的方法，其特征在于，在對激光傳感器采集的當前幀點云數據進行檢測之前，所述方法還包括：在所述激光傳感器啟動時，對所述激光傳感器的運行相關參數進行檢查；如果檢查發現異常，則發出第一告警提示，所述第一告警提示用于指示所述激光傳感器的運行參數異常。14.根據權利要求13所述的方法，其特征在于，所述激光傳感器的運行相關參數選自以
下一項或多項：所述激光傳感器的ip地址、數據傳輸端口以及數據采集頻率。15.根據權利要求1所述的方法，其特征在于，在檢測得到所述當前幀異常數據之后，所述方法還包括：基于所述激光傳感器所屬車輛的標識、所述激光傳感器的標識、采集地點以及所述當前幀異常數據，確定所述當前幀點云數據的采集狀態信息；向用戶反饋所述采集狀態信息。16.一種激光點云數據檢測裝置，其特征在于，包括：當前幀點云檢測模塊，用于對激光傳感器采集的當前幀點云數據進行檢測，以得到當前幀異常數據，所述檢測包括使用檢測模型進行檢測；檢測錯誤分析模塊，用于對當前幀異常數據進行分析，以確定檢測錯誤數據，所述檢測錯誤數據包括漏檢的數據和誤檢的數據；檢測模型優化模塊，用于將所述檢測錯誤數據加入訓練數據集，所述訓練數據集用于再次訓練所述檢測模型；迭代檢測模塊，用于采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。17.一種可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器運行時執行權利要求1至15任一項所述激光點云數據檢測方法的步驟。18.一種終端，包括存儲器和處理器，所述存儲器上存儲有能夠在所述處理器上運行的計算機程序，其特征在于，所述處理器運行所述計算機程序時執行權利要求1至15任一項所述激光點云數據檢測方法的步驟。
技術總結
一種激光點云數據檢測方法及裝置、可讀存儲介質、終端，所述方法包括：對激光傳感器采集的當前幀點云數據進行檢測，以得到當前幀異常數據，所述檢測包括使用檢測模型進行檢測；對當前幀異常數據進行分析，以確定檢測錯誤數據，所述檢測錯誤數據包括漏檢的數據和誤檢的數據；將所述檢測錯誤數據加入訓練數據集，所述訓練數據集用于再次訓練所述檢測模型；采用再次訓練后的檢測模型對所述激光傳感器后續采集的點云數據進行檢測。采用上述方案可以提高對激光點云數據中的異常數據的檢測準確性。高對激光點云數據中的異常數據的檢測準確性。高對激光點云數據中的異常數據的檢測準確性。
