[发明专利]道路可行驶区域的确定方法、装置及计算机设备

权利要求书

1.一种道路可行驶区域的确定方法，包括：

获取待处理点云数据；

对所述待处理点云数据进行极坐标栅格化，得到极坐标栅格图，所述极坐标栅格图的分布状态呈弧线状分布，且所述极坐标栅格图中距离极点越远的区域所覆盖的面积越大；

基于所述极坐标栅格图进行数据排列形式转换，得到目标栅格图；所述目标栅格图包括与所述极坐标栅格图中的各第一栅格分别对应的各第二栅格，各所述第二栅格包含各自对应的第一栅格内的空间点，各所述第二栅格以图像像素的排列形式排列；

分别基于各所述第二栅格内的空间点，确定各所述第二栅格的目标统计参数，并得到与所述目标统计参数相对应的统计特征图；

通过预定卷积神经网络，基于所述统计特征图进行语义分割，得到各所述第二栅格分别属于地面类别和非地面类别的置信度；

基于各所述第二栅格分别属于地面类别和非地面类别的置信度，确定所述待处理点云数据中的道路可行驶区域。

2.根据权利要求1所述的方法，其特征在于，对所述待处理点云数据进行极坐标栅格化，得到极坐标栅格图，包括：

基于所述待处理点云数据的各空间点的横坐标和纵坐标，确定所述待处理点云数据的各空间点在极坐标系下的距离信息和角度信息；

将所述待处理点云数据的各空间点，投影到初始极坐标栅格图中距离覆盖范围与该空间点在极坐标系下的距离信息匹配、且角度覆盖范围与该空间点在极坐标系下的角度信息匹配的初始栅格中，得到极坐标栅格图。

3.根据权利要求1所述的方法，其特征在于，所述目标统计参数包括栅格内空间点的总数目、栅格内空间点的平均高度、栅格内空间点的标准差、栅格内空间点的最大高度、栅格内空间点的最小高度、栅格内空间点的平均反射强度中的至少一种。

4.根据权利要求1所述的方法，其特征在于，通过预定卷积神经网络，基于所述统计特征图进行语义分割，确定各所述第二栅格分别属于地面类别和非地面类别的置信度，包括：

将所述统计特征图依次经过预定卷积神经网络中的第一特征提取网络、第二特征提取网络、第三特征提取网络以及第四特征提取网络进行特征提取；

通过所述预定卷积神经网络中的第一拼接网络，基于所述第三特征提取网络的输出以及第四特征提取网络的输出进行特征聚合；

通过所述预定卷积神经网络中的第二拼接网络，基于所述第一拼接网络的输出以及第二特征提取网络的输出进行特征聚合；

通过所述预定卷积神经网络中的第三拼接网络，基于所述第二拼接网络的输出以及第一特征提取网络的输出进行特征聚合；

通过所述预定卷积神经网络中的输出网络，基于所述第三拼接网络的输出得到第一语义分割图和第二语义分割图；

所述第一语义分割图包含各所述第二栅格属于地面类别的置信度，所述第二语义分割图包含各所述第二栅格属于非地面类别的置信度。

5.根据权利要求1所述的方法，其特征在于，确定所述预定卷积神经网络的方式，包括：

获取携带类别标签的样本点云数据；所述类别标签用于表征所述样本点云数据的各空间点分别所属的类别；

对所述样本点云数据进行极坐标栅格化，得到样本极坐标栅格图；

基于所述样本极坐标栅格图进行数据排列形式转换，得到样本目标栅格图；所述样本目标栅格图包括与所述样本极坐标栅格图中的各样本第一栅格分别对应的各样本第二栅格，各所述样本第二栅格包含各自对应的样本第一栅格内的空间点，各所述样本第二栅格以图像像素的排列形式排列；

分别基于各所述样本第二栅格内的空间点，确定各所述样本第二栅格的目标统计参数，并得到与所述目标统计参数相对应的样本统计特征图；

通过待训练卷积神经网络，基于所述样本统计特征图进行语义分割，确定各所述样本第二栅格分别属于地面类别和非地面类别的置信度；

基于各所述样本第二栅格分别属于地面类别和非地面类别的置信度和所述类别标签，确定损失参数；

基于所述损失参数对所述待训练卷积神经网络进行模型训练，确定所述预定卷积神经网络。