[发明专利]用于激光雷达的点云数据标注网络系统及标注方法

说明书

本发明提供了一种用于激光雷达的点云数据标注网络系统，包括：云储存平台，配置成可存储激光雷达的原始点云数据、标注后的点云数据和对于标注的评价结果；多个标注模块，所述多个标注模块通过网络与所述云储存平台通信，并可从所述云储存平台获取原始点云数据，并在所述云储存平台上实时更新标注后的点云数据；和管理模块，所述管理模块通过网络与所述云储存平台通信，所述管理模块配置成可将所述原始点云数据上传至所述云储存平台，并从所述云储存平台获取所述标注后的点云数据，对标注后的点云数据评价并生成评价结果，并将所述评价结果上传至所述云储存平台。本发明还提供一种使用点云数据标注网络系统进行标注的方法。

技术领域

本发明大致涉及激光探测技术领域，尤其涉及一种用于激光雷达的点云数据标注网络系统，以及一种使用其进行点云数据标注的方法。

背景技术

激光雷达是激光主动探测传感器设备的一种统称，其工作原理大致如下：激光雷达的发射器发射出激光光束，激光光束遇到物体后，经过漫反射，返回至激光接收器，激光雷达中的处理模块根据发送和接收激光光束的时间间隔乘以光速，再除以2，即可计算出发射器与物体的距离，也即激光雷达与物体的距离。根据激光线束的多少，通常有例如单线激光雷达、4线激光雷达、8/16/32/64线激光雷达等。一个或多个激光束在竖直方向沿着不同的角度发射，经水平方向扫描，实现对目标区域三维轮廓的探测。多个测量通道(线)相当于多个倾角的扫描平面，因此垂直视场内激光线束越多越密，其竖直方向的角分辨率就越高，激光点云的密度就越大。现有激光雷达每秒扫描的帧数可达10帧，20帧，甚至30帧。

基于激光雷达产生的点云，后续还可以通过机器学习、人工智能、图像识别等方法来进行点云中具体物体对象的识别，例如可以从点云中识别出汽车、行人、自行车、以及其他类型的障碍物。在机器学习中，需要进行建模、标注、训练、测试、评估和修正。这个过程是通过模拟人类大脑视觉皮层的运作方式：单个神经元通过受过的训练，就能够获取识别物体的能力，不需要人工找出物体的规律。

人工智能是以深度学习为核心的算法演进，在大数据的支持下，通过训练深度学习的算法实现，而从大数据中进行深度学习就需要对大量数据进行标注。目前，现有的技术方案多是直接将数据储存在本地进行标注，在训练数据的储存、标注和使用过程中，存在以下缺陷：首先，深度学习的数据量大，势必占用较大的本地存储空间，而且一个本地机的处理速度有限；其次，在标注过程中内容分发存在难度，整个数据包标注时工作量存在分配不均的问题，对于标注管理的规范化也存在难度；第三，本地存储数据的数据安全也存在问题。因此，本地存储只适合小规模数据量使用，不适用于激光雷达的点云数据，特别是多个激光雷达需要长期利用相同的发射通道进行扫描。

背景技术部分的内容仅仅是公开人所知晓的技术，并不当然代表本领域的现有技术。

发明内容

有鉴于现有技术的至少一个缺陷，本发明提供一种用于激光雷达的点云数据标注网络系统，包括：

云储存平台，配置成可存储激光雷达的原始点云数据、标注后的点云数据和对于标注的评价结果；

多个标注模块，所述多个标注模块通过网络与所述云储存平台通信，并可从所述云储存平台获取原始点云数据，并在所述云储存平台上实时更新标注后的点云数据；和

管理模块，所述管理模块通过网络与所述云储存平台通信，所述管理模块配置成可将所述原始点云数据上传至所述云储存平台，并从所述云储存平台获取所述标注后的点云数据，对标注后的点云数据评价并生成评价结果，并将所述评价结果上传至所述云储存平台。

根据本发明的一个方面，所述的点云数据标注网络系统，还包括输出模块，所述输出模块通过网络与所述云储存平台通信，所述输出模块配置成可从所述云储存平台获取所述标注后的点云数据和所述评价结果。

根据本发明的一个方面，所述标注模块从所述云储存平台获取的所述原始点云数据来自一个或多个数据包，所述标注模块配置成不能对所获取的原始点云数据进行非暂态存储。