激光点云数据检测方法及装置、可读存储介质、终端与流程
1.本发明涉及计算机技术领域，尤其涉及一种激光点云数据检测方法及装置、可读存储介质、终端。
背景技术：
2.激光传感器广泛运用在自动驾驶中，它能提供准确的三维空间感知结果。但受传感器硬件配置和光成像特性等因素影响，激光传感器在不同采集场景下会产生拖点、吸点、镜像反射等现象，产生异常数据，造成数据污染，影响自动驾驶效果。对激光传感器采集的点云数据进行检测分析，准确地发现异常数据对于自动驾驶安全性的保障十分重要。
3.目前激光传感器数据的处理来自两部分；一是雷达厂商提供的软件，用来配置和获取激光传感器设置参数，以接收激光点云数据；二是点云处理算法模块，可以对接收到的激光点云数据进行去噪处理，输出感知结果。但是，雷达厂商提供的软件主要用于提供数据通讯相关功能，而通常不具备点云数据检测功能；而点云处理算法虽可以检测并过滤点云数据中的噪声，但通常因缺乏检测结果分析和反馈机制，检测准确度偏低。此外，现有的点云处理算法也难以检测出因传感器硬件问题和光成像特性等因素影响产生的拖点数据、激光束故障数据、镜像反射数据等异常数据。
4.因此，亟需提供一种激光点云数据检测方法，可以提高对激光点云数据中的异常数据的检测准确性。
技术实现要素：
5.本发明实施例解决的技术问题是如何提高对激光点云数据中的异常数据的检测准确性。
6.为解决上述技术问题，本发明实施例提供一种激光点云数据检测方法，包括以下步骤：对激光传感器采集的当前帧点云数据进行检测，以得到当前帧异常数据，所述检测包括使用检测模型进行检测；对当前帧异常数据进行分析，以确定检测错误数据，所述检测错误数据包括漏检的数据和误检的数据；将所述检测错误数据加入训练数据集，所述训练数据集用于再次训练所述检测模型；采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。
7.可选的，所述对当前帧异常数据进行分析，以确定检测错误数据包括：采用障碍物数据以及当前帧参照数据，对所述当前帧异常数据进行分析，以确定所述检测错误数据；其中，所述障碍物数据为所述当前帧点云数据中高度值大于等于预设高度阈值的各个点的集合，所述当前帧参照数据为同一时间通过所述激光传感器以外的其他检测方式采集得到的数据。
8.可选的，所述采用障碍物数据以及当前帧参照数据，对所述当前帧异常数据进行分析，以确定所述检测错误数据包括：对于每个障碍物数据，如果所述当前帧参照数据中不存在该障碍物数据，并且所述当前帧异常数据未指示该障碍物数据异常，则将该障碍物数
据作为所述漏检的数据。
9.可选的，所述采用障碍物数据以及当前帧参照数据，对所述当前帧异常数据进行分析，以确定所述检测错误数据包括：对于每个障碍物数据，如果所述当前帧参照数据中存在该障碍物数据，但所述当前帧异常数据指示该障碍物数据异常，则将该障碍物数据作为所述误检的数据。
10.可选的，所述当前帧参照数据选自以下一项或多项：相机采集的当前帧图像数据、摄像头采集的当前帧视频数据以及人工运营报告数据。
11.可选的，所述对激光传感器采集的当前帧点云数据进行检测包括：对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据，所述当前帧初步异常数据包括以下一项或多项：拖点数据、镜像反射数据以及激光束故障数据；将所述当前帧初步异常数据输入所述检测模型进行二次检测。
12.可选的，对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据包括：在所述当前帧点云数据的点云中心点的周围预设区域内，选取第一预设数量个连续采集的点；对各个连续采集的点进行直线拟合，并判断拟合得到的直线是否经过所述点云中心点；如果判断结果为是，则将经过所述点云中心点的直线上的各个点作为所述拖点数据；其中，所述点云中心点为所述激光传感器的中心点在所述当前帧点云数据的空间坐标系中的映射点。
13.可选的，对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据包括：对所述当前帧点云数据进行区域划分，得到第二预设数量的区域点云；对于每个区域点云，分别判断除该区域点云之外的其他各个区域点云是否与该区域点云存在镜像关系；如果判断结果为是，则将存在镜像关系的各个区域点云中点的集合作为所述镜像反射数据。
14.可选的，所述对于每个区域点云，分别判断除该区域点云之外的其他各个区域点云是否与该区域点云存在镜像关系包括：对于每个区域点云，分别对除该区域点云之外的其他各个区域点云与该区域点云进行点云配准，得到多个配准后点云；分别计算该区域点云与各个配准后点云之间的相似度；如果相似度大于等于第一预设阈值，则确认该区域点云与配准后点云对应的配准前的区域点云之间存在镜像关系。
15.可选的，对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据包括：确定采集所述当前帧点云数据时所述激光传感器发射的各个激光束对应的激光束点集；对于每个激光束点集，确定该激光束点集中的各个点与所述当前帧点云数据的点云中心点的最大距离和最小距离；如果所述最大距离与所述最小距离的差值小于等于第二预设阈值，则将所述点云中心点作为圆心、所述最大距离作为第一半径、所述最小距离作为第二半径，拟合得到圆环；判断所述圆环内的各个点是否均匀分布；如果判断结果为是，则将所述圆环内的各个点作为所述激光束故障数据；其中，所述点云中心点为所述激光传感器的中心点在所述当前帧点云数据的空间坐标系中的映射点。
16.可选的，所述判断所述圆环内的各个点是否均匀分布包括：对所述圆环进行区域划分，得到第三预设数量个大小相同的子区域；计算每个子区域内的点数量之间的均方差；如果所述均方差小于等于第三预设阈值，则确定所述圆环内的各个点均匀分布。
17.可选的，对所述圆环进行区域划分，得到第三预设数量个大小相同的子区域包括：将所述圆环划分为第三预设数量个大小相同的扇区。
18.可选的，在对激光传感器采集的当前帧点云数据进行检测之前，所述方法还包括：在所述激光传感器启动时，对所述激光传感器的运行相关参数进行检查；如果检查发现异常，则发出第一告警提示，所述第一告警提示用于指示所述激光传感器的运行参数异常。
19.可选的，所述激光传感器的运行相关参数选自以下一项或多项：所述激光传感器的ip地址、数据传输端口以及数据采集频率。
20.可选的，在检测得到所述当前帧异常数据之后，所述方法还包括：基于所述激光传感器所属车辆的标识、所述激光传感器的标识、采集地点以及所述当前帧异常数据，确定所述当前帧点云数据的采集状态信息；向用户反馈所述采集状态信息。
21.本发明实施例还提供一种激光点云数据检测装置，包括：当前帧点云检测模块，用于对激光传感器采集的当前帧点云数据进行检测，以得到当前帧异常数据，所述检测包括使用检测模型进行检测；检测错误分析模块，用于对当前帧异常数据进行分析，以确定检测错误数据，所述检测错误数据包括漏检的数据和误检的数据；检测模型优化模块，用于将所述检测错误数据加入训练数据集，所述训练数据集用于再次训练所述检测模型；迭代检测模块，用于采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。
22.本发明实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述激光点云数据检测方法的步骤。
23.本发明实施例还提供一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述激光点云数据检测方法的步骤。
24.与现有技术相比，本发明实施例的技术方案具有以下有益效果：
25.在本发明实施例中，使用检测模型对激光传感器采集的当前帧点云数据进行检测，得到当前帧异常数据之后，对所得到的当前帧异常数据进行分析，确定漏检的数据和误检的数据；然后再将漏检的数据和误检的数据加入训练数据集，以再次训练所述检测模型；采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。如此循环迭代，在每次检测后都对检测结果进行分析得到检测错误数据，检测错误数据可以用于再次训练检测模型。由此，可以在检测过程中持续优化检测模型，从而有效提高检测的准确性。
26.进一步，通过采用障碍物数据以及当前帧参照数据，对所述当前帧异常数据进行分析，具体而言：对于每个障碍物数据，如果当前帧参照数据中不存在该障碍物数据，并且当前帧异常数据未指示该障碍物数据异常，则将该障碍物数据作为漏检的数据；对于每个障碍物数据，如果当前帧参照数据中存在该障碍物数据，但当前帧异常数据指示该障碍物数据异常，则将该障碍物数据作为误检的数据；其中，所述障碍物数据为当前帧点云数据中高度值大于等于预设高度阈值的各个点的集合，当前帧参照数据为同一时间通过所述激光传感器以外的其他检测方式采集得到的数据。
27.在自动驾驶场景中，由于障碍物数据(高度值高于一定值的数据)对自动驾驶的安全性影响大，且因传感器硬件问题和光成像特性等因素产生的大部分异常数据在点云数据中的呈现形式往往类似于障碍物的数据。由此，通过一并采用障碍物数据以及当前帧参照数据对当前帧异常数据进行分析，而无需让点云中障碍物数据以外参与运算，可以大幅减少运算数据量，提高分析效率。
28.进一步，本发明实施例对激光传感器采集的当前帧点云数据进行检测的过程包括
初步检测和二次检测，并且初步检测采用的方法和二次检测采用的方法不同。此外，在初步检测中，对于不同类型的异常数据采用了针对性的检测方法。由此，有助于提高每次检测中所得到的当前帧异常数据的准确性，进而提高后续步骤中确定检测错误数据的准确性，进而提高对所述检测模型的迭代优化效果，最终实现检测精度的提高。
29.进一步，本发明实施例不仅对激光传感器运行过程中采集的点云数据进行持续且迭代优化地准确，还可以对激光传感器启动时的运行相关参数进行检测，并在发现异常时进行告警。由此，可以实现闭环式的检测流程，及时发现不同阶段的异常问题，从而充分保障自动驾驶的安全性。
附图说明
30.图1是本发明实施例中一种激光点云数据检测方法的流程图；
31.图2是图1中步骤s11的一种具体实施方式的流程图；
32.图3是图2中步骤s21的一种具体实施方式的流程图；
33.图4是图2中步骤s21的另一种具体实施方式的流程图；
34.图5是图2中步骤s21的又一种具体实施方式的流程图；
35.图6是本发明实施例中一种激光点云数据检测装置的结构示意图。
具体实施方式
36.如前所述，对激光传感器采集的点云数据进行检测分析，准确地发现异常数据对于自动驾驶安全性的保障十分重要。
37.目前的点云处理算法虽可以检测并过滤掉点云数据中的噪声，但检测准确度偏低。并且，现有点云处理算法难以检测出因传感器硬件问题和光成像特性等因素影响产生的特殊异常数据，例如拖点数据、激光束故障数据、镜像反射数据等。
38.本发明的发明人经研究发现，一方面，现有点云处理算法往往对不同帧点云数据采用同样的检测方式逐帧或多帧结合起来检测，缺乏检测结果分析和检测方式优化机制，导致检测的准确度偏低；另一方面，造成现有点云处理算法难以检测出因传感器硬件问题和光成像特性等因素影响产生的上述异常数据的原因主要在于：拖点数据、激光束故障数据、镜像反射数据等异常数据在点云数据中的表现形式和障碍物的数据较为类似，现有的点云处理算法通常会将这些异常数据误判为采集过程中激光束遇到障碍物反射形成的有效数据。然而，这部分异常数据在实际采集环境中却没有对应的障碍物，因此可以被称为“伪障碍物数据”，“伪障碍物数据”有必要在检测中被发现，否则可能对自动驾驶的安全性产生隐患。
39.为解决上述技术问题，本发明实施例提供一种激光点云数据检测方法，具体包括：对激光传感器采集的当前帧点云数据进行检测，以得到当前帧异常数据，所述检测包括使用检测模型进行检测；对当前帧异常数据进行分析，以确定检测错误数据，所述检测错误数据包括漏检的数据和误检的数据；将所述检测错误数据加入训练数据集，所述训练数据集用于再次训练所述检测模型；采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。
40.由上，本发明实施例通过在每次检测后都对检测结果进行分析得到检测错误数
据，然后采用检测错误数据再次训练检测模型，再采用训练后的检测模型对后续点云数据进行检测，相比于现有点云处理算法往往对不同帧点云数据采用同样的检测方式来检测，本发明实施例提供的检测方案可以在检测过程中持续不断地优化检测模型和检测效果，从而有效提高检测的准确性。
41.为使本发明的上述目的、特征和有益效果能够更为明显易懂，下面结合附图对本发明的具体实施例做详细说明。
42.参照图1，图1是本发明实施例中一种激光点云数据检测方法的流程图。所述方法可以应用于具备数据检测能力的各种终端设备，例如车载计算设备、计算机、服务器、云平台等。所述方法可以包括步骤s11至步骤s14：
43.步骤s11：对激光传感器采集的当前帧点云数据进行检测，以得到当前帧异常数据，所述检测包括使用检测模型进行检测；
44.步骤s12：对当前帧异常数据进行分析，以确定检测错误数据，所述检测错误数据包括漏检的数据和误检的数据；
45.步骤s13：将所述检测错误数据加入训练数据集，所述训练数据集用于再次训练所述检测模型；
46.步骤s14：采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。
47.在步骤s11的具体实施中，所述点云数据可以是三维坐标系统中的一组带空间坐标的采样点的集合。所述激光传感器采集的当前帧点云数据可以是由激光传感器在某一时刻针对某一对象或区域场景采集的。在自动驾驶领域，所述激光传感器可以是激光雷达，可以安装在车辆正前方或车身特定部位或其他合适部位。
48.其中，所述车辆可以是运用无人驾驶技术的各种类型的车辆，如无人驾驶的普通乘用轿车，无人驾驶货车，无人驾驶清扫车、洒水车，无人驾驶公交车等大-中-小型车辆等等。
49.所述对当前帧点云数据进行检测所使用的检测模型可以是采用多帧历史检测出的异常数据作为样本数据集，对预设的模型进行训练后得到的。所述预设的模型可以是现有的具有数据分析、检测、识别等功能的机器学习模型，训练的方法可是现有的常规训练方法，本发明实施例对此不做限制。
50.参照图2，图2是图1中步骤s11的一种具体实施方式的流程图。所述步骤s11中对激光传感器采集的当前帧点云数据进行检测可以包括步骤s21至步骤s22，以下对各个步骤进行说明。
51.在步骤s21中，对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据，所述当前帧初步异常数据包括以下一项或多项：拖点数据、镜像反射数据以及激光束故障数据。
52.其中，所述拖点数据、镜像反射数据以及激光束故障数据在点云数据中的呈现形式类似于障碍物的数据(即，针对采集环境中的实际障碍物所采集得到的数据)。因此，这几种异常数据往往容易被用户或者点云处理算法误当成有效的障碍物数据。
53.具体而言，所述拖点数据可以指激光传感器(例如激光雷达)在同一次发射激光束时，光斑同时打到了距离较近的两个物体边缘或者打在了多层障碍物上，回波叠加后造成
前沿、脉宽不准，形成物体之间的连线的各个点。在激光雷达生成点云点数据时，例如在第一障碍物和第二障碍物之间存在拖点数据，该拖点数据可能会被误认为是第一障碍物和第二障碍物之间存在的其他障碍物/目标物的数据。
54.所述镜像反射数据可以指因光学成像特性导致采集的点云数据中，两个或两个以上具有较高相似度(即具有镜像关系)的区域点云。例如，在隧道等封闭环境中，隧道壁及栏杆等交通附属设施可能反射严重导致镜像反射数据。在激光雷达生成点云点数据时，如果针对某个特定障碍物采集得到的区域点云，与另一个区域点云存在镜像关系，则该存在镜像关系的另一个区域点云也会被误认为是其他障碍物的数据。
55.所述激光束故障数据可以是因激光传感器中用于发射激光的组件出现故障所导致的异常数据。在点云数据采集过程中，激光传感器会主动发射若干激光束，通过测量激光打到障碍物或路面等采集对象再反射回来所需要的时间，来计算激光传感器到目标点的距离，从而获取很多个三维数据点，形成“点云”。当激光束发射组件发生故障时，在点云数据中就可能会产生激光束故障数据。
56.在具体实施中，所述当前帧初步异常数据除了上述列举的几种，还可以是其他的因激光传感器硬件故障等原因产生的、在点云数据中表现为障碍物数据的异常数据。由于这类异常数据在实际采集环境中并没有对应的障碍物，因此也可以称为“伪障碍物数据”。
57.参照图3，图3是图2中步骤s21的一种具体实施方式的流程图。
58.在本实施例中，所述步骤s21可以包括步骤s31至步骤s33：
59.在步骤s31中，在所述当前帧点云数据的点云中心点的周围预设区域内，选取第一预设数量个连续采集的点。
60.其中，所述点云中心点为所述激光传感器的中心点在所述当前帧点云数据的空间坐标系中的映射点。
61.其中，所述连续采集可以用于指示采集时间上的连续性。所述预设区域以及所述第一预设数量可以根据当前帧点云数据中点的数量、当前帧点云数据采集时针对的采集区域大小等进行合理设置，本发明实施例对此不做限制。
62.在步骤s32中，对各个连续采集的点进行直线拟合，并判断拟合得到的直线是否经过所述点云中心点。
63.在具体实施中，可以采用现有的常规直线拟合方法对各个连续采集的点进行直线拟合。例如，对每个点(x，y，z)，给定x和y的值，确定z的预测值，计算z的预测值和实际值的误差，拟合的目标就是使得各个点的z的预测值和实际值的误差的平方和最小化。
64.对于拟合得到的直线ax+by+cz+d＝0；如果d接近0(即，d的绝对值小于预设值)，则可以确认该直线经过点云中心点。
65.在步骤s33中，如果判断结果为是，则将经过所述点云中心点的直线上的各个点作为所述拖点数据。
66.可以理解的是，如果判断结果为否，则可以确认当前帧点云数据中未检测出拖点数据。
67.在本发明实施例中，通过采用上述直线拟合方式，可以在运算开销损耗较小的同时，准确、高效地确定所述拖点数据。
68.参照图4，图4是图2中步骤s21的另一种具体实施方式的流程图。
69.在本实施例中，所述步骤s21可以包括步骤s41至步骤s43：
70.在步骤s41中，对所述当前帧点云数据进行区域划分，得到第二预设数量的区域点云。
71.具体而言，为提高后续镜像关系判断的准确性，在进行区域划分时，所划分出的各个区域点云的大小和形状应尽可能相同。作为一个非限制性实施例，可以采用3
×
3米的正方形区域进行划分。在具体实施中，所划分出的点云区域的大小和形状可以根据具体应用场景的不同进行设置，本发明实施例对此不做限制，
72.在步骤s42中，对于每个区域点云，分别判断除该区域点云之外的其他各个区域点云是否与该区域点云存在镜像关系。
73.进一步，所述步骤s42可以包括：对于每个区域点云，分别对除该区域点云之外的其他各个区域点云与该区域点云进行点云配准，得到多个配准后点云；分别计算该区域点云与各个配准后点云之间的相似度；如果相似度大于等于第一预设阈值，则确认该区域点云与配准后点云对应的配准前的区域点云之间存在镜像关系。
74.在具体实施中，进行点云配准所采用的方法可以是现有的常规配准方法，此处不再赘述。所述第一预设阈值可以综合考虑软硬件因素、采集环境因素、每次进行配准的点云数据量等各种因素影响进行合理设置。在一些非限制性实施例中，所述第一预设阈值可以设置为80％～100％之间的合适数值。
75.在步骤s43中，如果步骤s42的判断结果为是，则将存在镜像关系的各个区域点云中点的集合作为所述镜像反射数据。
76.在本发明实施例中，基于镜像反射原理，存在镜像关系的各个区域点云之间的相似度往往较高，因为通过采用点云配准和相似度计算方法，有助于提高判断的准确性。
77.参照图5，图5是图2中步骤s21的又一种具体实施方式的流程图。
78.在本实施例中，所述步骤s21可以包括步骤s51至步骤s55：
79.在步骤s51中，确定采集所述当前帧点云数据时所述激光传感器发射的各个激光束对应的激光束点集。
80.其中，每个激光束点集可以是激光传感器发射的单束激光束打到障碍物等采集对象表面再反射回来后，由数据接收模块接收反射回来的激光束并经过一定运算处理后得到的包含三维空间信息的点的集合。
81.在步骤s52中，对于每个激光束点集，确定该激光束点集中的各个点与所述当前帧点云数据的点云中心点的最大距离和最小距离。
82.在具体实施中，可以对该激光束点集进行时间或空间上的抽样处理，以选取出一定数量的点进行计算，从而可以有效减少运算数据量，降低运算开销且提高运算效率。
83.在步骤s53中，如果所述最大距离与所述最小距离的差值小于等于第二预设阈值，则将所述点云中心点作为圆心、所述最大距离作为第一半径、所述最小距离作为第二半径，拟合得到圆环。
84.其中，所述第二预设阈值可以综合考虑软硬件因素、采集环境因素、每次进行计算的激光束点集中的点的数量等各种因素影响进行合理设置。可以理解的是，所述第二预设阈值不能设置太大，否则会导致圆环的宽度太大(圆环面积也会太大)，增加运算数据量；所述第二预设阈值也不能设置太小，否则会导致圆环的宽度太小(圆环面积也会太小)，导致
参与运算的数量不足而降低后续步骤中判断的准确性。
85.在步骤s54中，判断所述圆环内的各个点是否均匀分布。
86.进一步，所述步骤s54可以包括：对所述圆环进行区域划分，得到第三预设数量个大小相同的子区域；计算每个子区域内的点数量之间的均方差；如果所述均方差小于等于第三预设阈值，则确定所述圆环内的各个点均匀分布。
87.作为一个非限制性实施例，可以将所述圆环划分为第三预设数量个大小相同的扇区。其中，每个扇区可以对应于相同大小的水平角度区间。例如，可以将所述圆环划分为36个大小相同的扇区：第1个扇区对应于[0
°
,10
°
]，第2个扇区对应于[10
°
,20
°
]，第3个扇区对应于[20
°
,30
°
]
……
第36个扇区对应于[350
°
,360
°
]。
[0088]
在上述实施例中，可以根据所述圆环内各个点的水平角确定每个点所属的扇区，然后统计每个扇区内包含的点数量，再计算各个扇区内包含的点数量的均方差。
[0089]
在具体实施中，也可以采用其他方式对所述圆环进行区域划分，划分的具体方法可以参照图4中步骤s41的相关描述，此处不再赘述。
[0090]
在步骤s55中，如果步骤s54的判断结果为是，也即圆环内的各个点均匀分布，则将所述圆环内的各个点作为所述激光束故障数据。
[0091]
由于点云数据采集的实际场景中，激光束故障往往会导致信号接收模块解析出来目标点到激光传感器的距离出现误差，导致该激光束对应的激光束点集在点云中呈现为圆环状，圆环的宽度通常由噪声的大小决定，圆环的平均半径通常由故障信号大小决定。在本发明实施例中，基于前述激光束故障数据的产生原理，采用步骤s51至步骤s55的方案确定激光束故障数据，有助于提高判断的准确性。继续参照图2，在步骤s22中，将所述当前帧初步异常数据输入所述检测模型进行二次检测。
[0092]
在本发明实施例中，对激光传感器采集的当前帧点云数据进行检测的过程包括初步检测和二次检测，并且初步检测采用的方法和二次检测采用的方法不同。此外，在初步检测中，对于不同类型的异常数据采用了针对性的检测方法。由此，有助于提高每次检测中所得到的当前帧异常数据的准确性，进而提高后续步骤中确定检测错误数据的准确性，进而提高对所述检测模型的迭代优化效果，最终实现检测精度的提高。
[0093]
继续参照图1，在步骤s12的具体实施中，所述对当前帧异常数据进行分析，以确定检测错误数据执至少可以采用下述两种方式：
[0094]
方式一：采用当前帧参照数据，对所述当前帧异常数据进行分析，以确定所述检测错误数据。
[0095]
其中，所述当前帧参照数据为同一时间通过所述激光传感器以外的其他检测方式采集得到的数据。
[0096]
可以理解的是，在点云数据采集时，采集车辆移动过程中，传感器在不同时间感知到的具体区域场景也在变换。因此，应保证前帧参照数据与当前帧点云数据的采集时刻以及采集对象相同。通过控制采集时间一致和采集对象/区域场景一致，可以确保当前帧点云数据和当前帧参照点云数据反映或指向的是现实世界中同一对象，进而保证后续分析结果的准确性。
[0097]
在一些非限制性实施例中，所述当前帧参照数据可以选自相机采集的当前帧图像数据、摄像头采集的当前帧视频数据以及人工运营报告数据中的一项或多项。
[0098]
其中，所述人工运营报告数据可以是采集过程中，点云数据的采集人员(例如采集车辆的人员)在采集过程中经分析采集对象而记录、存储的数据。例如，每当车辆前方遇到障碍物时，对障碍物的相关数据进行记录并存储得到的采集记录性数据。
[0099]
在具体实施中，还可以采用其他传感器在同一时间针对同一对象采集的数据作为当前帧参照数据，本发明实施例对此不做限制。
[0100]
方式二：采用障碍物数据以及当前帧参照数据，对所述当前帧异常数据进行分析，以确定所述检测错误数据。
[0101]
其中，所述障碍物数据为所述当前帧点云数据中高度值大于等于预设高度阈值的各个点的集合。
[0102]
关于所述当前帧参照数据的内容可以参照上述方式一中的相关描述，此处不再赘述。
[0103]
在具体实施中，对于每个障碍物数据，如果所述当前帧参照数据中不存在该障碍物数据，并且所述当前帧异常数据未指示该障碍物数据异常，则将该障碍物数据作为所述漏检的数据。
[0104]
在具体实施中，对于每个障碍物数据，如果所述当前帧参照数据中存在该障碍物数据，但所述当前帧异常数据指示该障碍物数据异常，则将该障碍物数据作为所述误检的数据。
[0105]
在本发明实施例中，由于自动驾驶场景中，障碍物数据(高度值高于一定值的数据)对自动驾驶的安全性影响大，且因传感器硬件问题和光成像特性等因素产生的大部分异常数据在点云数据中的呈现形式往往类似于障碍物的数据。由此，通过一并采用障碍物数据以及当前帧参照数据对当前帧异常数据进行分析，而无需让点云中障碍物数据以外参与运算，可以大幅减少运算数据量，提高分析效率。
[0106]
进一步，在执行步骤s11检测得到所述当前帧异常数据之后，本实施例所述方法还可以包括：基于所述激光传感器所属车辆的标识、所述激光传感器的标识、采集地点以及所述当前帧异常数据，确定所述当前帧点云数据的采集状态信息；向用户反馈所述采集状态信息。采用这样的方案，可以让用户实时获取到每帧点云数据的采集状态，并在发现异常时及时进行干预，从而有助于提高所采集的点云数据的质量。
[0107]
在步骤s13的具体实施中，所述训练数据集可以是对多帧点云数据进行检测得到的异常数据进行分析后确定的多帧检测错误数据的集合。具体而言，在点云数据采集过程中，可以每隔预设时长采用所述训练数据集再次训练所述检测模型；也可以每当所述训练数据集中的检测错误数据的帧数达到预设帧数时，采用所述训练数据集再次训练所述检测模型；还可以在其他合适的时机(例如，设备空闲时)采用所述训练数据集用于再次训练所述检测模型。本发明实施例对此不做限制。
[0108]
在步骤s14的具体实施中，所述激光传感器后续采集的点云数据可以是所述当前帧点云数据的采集时刻往后经过预设时长后的某个时刻采集的单帧点云数据；也可以是采集所述当前帧点云数据往后再采集预设帧数之后采集的单帧点云数据。然后，所述后续采集的单帧点云数据将作为下一轮点云检测的当前帧点云数据。如此循环进行。
[0109]
在具体实施中，所述步骤s14中也可以对所述后续采集的点云数据进行初步检测，再采用再次训练的所述检测模型对初步检测的结果进行二次检测。
[0110]
在具体实施中，关于进行初步检测的方法可以前文及参照图3至图5所示实施例中描述的检测方法，此处不再赘述。
[0111]
在本发明实施例中，通过在每次检测后都对检测结果进行分析得到检测错误数据，然后可以将该错误数据用于再次训练检测模型，如此循环迭代，可以在检测过程中持续优化检测模型，从而有效提高检测的准确性。
[0112]
进一步，在步骤s11之前，所述方法还包括：在所述激光传感器启动时，对所述激光传感器的运行相关参数进行检查；如果检查发现异常，则发出第一告警提示，所述第一告警提示用于指示所述激光传感器的运行参数异常。
[0113]
在一些非限制性实施例中，所述激光传感器的运行相关参数可以选自所述激光传感器的ip地址、数据传输端口以及数据采集频率中的一项或多项。在具体实施中，所述运行相关参数也可以是与激光传感器运行有关的、可能影响采集效果的其他重要参数，本发明实施例对此不做限制。
[0114]
在本发明实施例中，不仅对激光传感器运行过程中采集的点云数据进行持续且迭代优化地准确，还可以对激光传感器启动时的运行相关参数进行检测，并在发现异常时进行告警。由此，可以实现闭环式的检测流程，及时发现不同阶段的异常问题，从而充分保障自动驾驶的安全性。
[0115]
参照图6，图6是本发明实施例中一种激光点云数据检测装置的结构示意图。所述激光点云数据检测装置可以包括：
[0116]
当前帧点云检测模块61，用于对激光传感器采集的当前帧点云数据进行检测，以得到当前帧异常数据，所述检测包括使用检测模型进行检测；
[0117]
检测错误分析模块62，用于对当前帧异常数据进行分析，以确定检测错误数据，所述检测错误数据包括漏检的数据和误检的数据；
[0118]
检测模型优化模块63，用于将所述检测错误数据加入训练数据集，所述训练数据集用于再次训练所述检测模型；
[0119]
迭代检测模块64，用于采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。
[0120]
关于该激光点云数据检测装置的原理、具体实现和有益效果请参照前文及图1至图5示出的关于激光点云数据检测方法的相关描述，此处不再赘述。
[0121]
本发明实施例还提供了一种计算机可读存储介质(可简称为“可读存储介质”)，其上存储有计算机程序，所述计算机程序被处理器运行时执行上述图1至图5所示的激光点云数据检测方法的步骤。所述计算机可读存储介质可以包括非挥发性存储器(non-volatile)或者非瞬态(non-transitory)存储器，还可以包括光盘、机械硬盘、固态硬盘等。
[0122]
具体地，在本发明实施例中，所述处理器可以为中央处理单元(central processing unit，简称cpu)，该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(fieldprogrammable gate array，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0123]
还应理解，本技术实施例中的存储器可以是易失性存储器或非易失性存储器，或
可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(read-only memory，简称rom)、可编程只读存储器(programmable rom，简称prom)、可擦除可编程只读存储器(erasable prom，简称eprom)、电可擦除可编程只读存储器(electrically eprom，简称eeprom)或闪存。易失性存储器可以是随机存取存储器(random access memory，简称ram)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的随机存取存储器(random access memory，简称ram)可用，例如静态随机存取存储器(static ram，简称sram)、动态随机存取存储器(dram)、同步动态随机存取存储器(synchronous dram，简称sdram)、双倍数据速率同步动态随机存取存储器(double datarate sdram，简称ddr sdram)、增强型同步动态随机存取存储器(enhanced sdram，简称esdram)、同步连接动态随机存取存储器(synchlink dram，简称sldram)和直接内存总线随机存取存储器(direct rambus ram，简称dr ram)。
[0124]
本发明实施例还提供了一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述图1至图5所示的激光点云数据检测方法的步骤。所述终端可以包括但不限于手机、计算机、平板电脑等终端设备，还可以为服务器、云平台等。
[0125]
应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，表示前后关联对象是一种“或”的关系。
[0126]
本技术实施例中出现的“多个”是指两个或两个以上。
[0127]
本技术实施例中出现的第一、第二等描述，仅作示意与区分描述对象之用，没有次序之分，也不表示本技术实施例中对设备个数的特别限定，不能构成对本技术实施例的任何限制。
[0128]
需要指出的是，本实施例中各个步骤的序号并不代表对各个步骤的执行顺序的限定。
[0129]
虽然本发明披露如上，但本发明并非限定于此。任何本领域技术人员，在不脱离本发明的精神和范围内，均可作各种更动与修改，因此本发明的保护范围应当以权利要求所限定的范围为准。
技术特征：
1.一种激光点云数据检测方法，其特征在于，包括：对激光传感器采集的当前帧点云数据进行检测，以得到当前帧异常数据，所述检测包括使用检测模型进行检测；对当前帧异常数据进行分析，以确定检测错误数据，所述检测错误数据包括漏检的数据和误检的数据；将所述检测错误数据加入训练数据集，所述训练数据集用于再次训练所述检测模型；采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。2.根据权利要求1所述的方法，其特征在于，所述对当前帧异常数据进行分析，以确定检测错误数据包括：采用障碍物数据以及当前帧参照数据，对所述当前帧异常数据进行分析，以确定所述检测错误数据；其中，所述障碍物数据为所述当前帧点云数据中高度值大于等于预设高度阈值的各个点的集合，所述当前帧参照数据为同一时间通过所述激光传感器以外的其他检测方式采集得到的数据。3.根据权利要求2所述的方法，其特征在于，所述采用障碍物数据以及当前帧参照数据，对所述当前帧异常数据进行分析，以确定所述检测错误数据包括：对于每个障碍物数据，如果所述当前帧参照数据中不存在该障碍物数据，并且所述当前帧异常数据未指示该障碍物数据异常，则将该障碍物数据作为所述漏检的数据。4.根据权利要求2所述的方法，其特征在于，所述采用障碍物数据以及当前帧参照数据，对所述当前帧异常数据进行分析，以确定所述检测错误数据包括：对于每个障碍物数据，如果所述当前帧参照数据中存在该障碍物数据，但所述当前帧异常数据指示该障碍物数据异常，则将该障碍物数据作为所述误检的数据。5.根据权利要求2至4中任一项所述的方法，其特征在于，所述当前帧参照数据选自以下一项或多项：相机采集的当前帧图像数据、摄像头采集的当前帧视频数据以及人工运营报告数据。6.根据权利要求1所述的方法，其特征在于，所述对激光传感器采集的当前帧点云数据进行检测包括：对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据，所述当前帧初步异常数据包括以下一项或多项：拖点数据、镜像反射数据以及激光束故障数据；将所述当前帧初步异常数据输入所述检测模型进行二次检测。7.根据权利要求6所述的方法，其特征在于，对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据包括：在所述当前帧点云数据的点云中心点的周围预设区域内，选取第一预设数量个连续采集的点；对各个连续采集的点进行直线拟合，并判断拟合得到的直线是否经过所述点云中心点；如果判断结果为是，则将经过所述点云中心点的直线上的各个点作为所述拖点数据；其中，所述点云中心点为所述激光传感器的中心点在所述当前帧点云数据的空间坐标系中的映射点。
8.根据权利要求6所述的方法，其特征在于，对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据包括：对所述当前帧点云数据进行区域划分，得到第二预设数量的区域点云；对于每个区域点云，分别判断除该区域点云之外的其他各个区域点云是否与该区域点云存在镜像关系；如果判断结果为是，则将存在镜像关系的各个区域点云中点的集合作为所述镜像反射数据。9.根据权利要求8所述的方法，其特征在于，所述对于每个区域点云，分别判断除该区域点云之外的其他各个区域点云是否与该区域点云存在镜像关系包括：对于每个区域点云，分别对除该区域点云之外的其他各个区域点云与该区域点云进行点云配准，得到多个配准后点云；分别计算该区域点云与各个配准后点云之间的相似度；如果相似度大于等于第一预设阈值，则确认该区域点云与配准后点云对应的配准前的区域点云之间存在镜像关系。10.根据权利要求6所述的方法，其特征在于，对所述当前帧点云数据进行初步检测，以确定当前帧初步异常数据包括：确定采集所述当前帧点云数据时所述激光传感器发射的各个激光束对应的激光束点集；对于每个激光束点集，确定该激光束点集中的各个点与所述当前帧点云数据的点云中心点的最大距离和最小距离；如果所述最大距离与所述最小距离的差值小于等于第二预设阈值，则将所述点云中心点作为圆心、所述最大距离作为第一半径、所述最小距离作为第二半径，拟合得到圆环；判断所述圆环内的各个点是否均匀分布；如果判断结果为是，则将所述圆环内的各个点作为所述激光束故障数据；其中，所述点云中心点为所述激光传感器的中心点在所述当前帧点云数据的空间坐标系中的映射点。11.根据权利要求10所述的方法，其特征在于，所述判断所述圆环内的各个点是否均匀分布包括：对所述圆环进行区域划分，得到第三预设数量个大小相同的子区域；计算每个子区域内的点数量之间的均方差；如果所述均方差小于等于第三预设阈值，则确定所述圆环内的各个点均匀分布。12.根据权利要求11所述的方法，其特征在于，对所述圆环进行区域划分，得到第三预设数量个大小相同的子区域包括：将所述圆环划分为第三预设数量个大小相同的扇区。13.根据权利要求1所述的方法，其特征在于，在对激光传感器采集的当前帧点云数据进行检测之前，所述方法还包括：在所述激光传感器启动时，对所述激光传感器的运行相关参数进行检查；如果检查发现异常，则发出第一告警提示，所述第一告警提示用于指示所述激光传感器的运行参数异常。14.根据权利要求13所述的方法，其特征在于，所述激光传感器的运行相关参数选自以
下一项或多项：所述激光传感器的ip地址、数据传输端口以及数据采集频率。15.根据权利要求1所述的方法，其特征在于，在检测得到所述当前帧异常数据之后，所述方法还包括：基于所述激光传感器所属车辆的标识、所述激光传感器的标识、采集地点以及所述当前帧异常数据，确定所述当前帧点云数据的采集状态信息；向用户反馈所述采集状态信息。16.一种激光点云数据检测装置，其特征在于，包括：当前帧点云检测模块，用于对激光传感器采集的当前帧点云数据进行检测，以得到当前帧异常数据，所述检测包括使用检测模型进行检测；检测错误分析模块，用于对当前帧异常数据进行分析，以确定检测错误数据，所述检测错误数据包括漏检的数据和误检的数据；检测模型优化模块，用于将所述检测错误数据加入训练数据集，所述训练数据集用于再次训练所述检测模型；迭代检测模块，用于采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。17.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行权利要求1至15任一项所述激光点云数据检测方法的步骤。18.一种终端，包括存储器和处理器，所述存储器上存储有能够在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至15任一项所述激光点云数据检测方法的步骤。
技术总结
一种激光点云数据检测方法及装置、可读存储介质、终端，所述方法包括：对激光传感器采集的当前帧点云数据进行检测，以得到当前帧异常数据，所述检测包括使用检测模型进行检测；对当前帧异常数据进行分析，以确定检测错误数据，所述检测错误数据包括漏检的数据和误检的数据；将所述检测错误数据加入训练数据集，所述训练数据集用于再次训练所述检测模型；采用再次训练后的检测模型对所述激光传感器后续采集的点云数据进行检测。采用上述方案可以提高对激光点云数据中的异常数据的检测准确性。高对激光点云数据中的异常数据的检测准确性。高对激光点云数据中的异常数据的检测准确性。
