[发明专利]基于PointNet网络的船艇尾浪识别与去除方法

说明书

基于PointNet网络的船艇尾浪识别与去除方法，步骤如下：S1：利用激光雷达实时获取无人艇360°范围的点云数据；S2：对点云数据进行去噪处理；S3：对去噪处理的点云数据进行欧几里得距离聚类，获得可疑目标列表；S4：构建PointNet深度学习模型，并装载已训练好的权重参数；S5：将聚类后的点云子集输入PointNet深度学习模型中进行分类识别；S6：将识别为尾浪目标的点云子集从可疑目标列表中去除；S7：判断每个尾浪目标是无人艇自身产生的尾浪还是其它船艇产生的尾浪，非自身尾浪情况下通过尾浪位置对水面船艇目标进行定位；S8：将水面障碍物探测结果发送给无人艇控制平台。本发明利用PointNet深度学习模型实现船艇尾浪的快速识别和去除，并基于尾浪识别结果对目标船艇进行定位，提升了激光雷达在水面应用的适应能力。

技术领域

本发明涉及基于PointNet网络的船艇尾浪识别与去除方法，属于环境感知技术领域。

背景技术

激光雷达作为自动驾驶实现中最重要、必不可少的传感器之一，其重要性不言而喻，比如障碍物检测、道路边缘检测、地图构建等都离不开它。船艇尾浪能够通过反射探测激光从而被激光雷达探测，但尾浪不属于水面障碍物，不会影响船艇的航行路线，因此需要从激光雷达探测的目标中滤除。无人艇自身产生的尾浪可确定位于船艇后方，但其随着船艇航行速度的变化也在实时变化。通过滤除船艇后方一定范围内的点云可以去除无人艇自身产生的尾浪，但滤除范围需要设定为远远大于实际尾浪的固定范围才能保证尾浪的准确滤除，这极大地降低了无人艇在近距离条件下的水面目标探测能力。水面目标船艇产生的尾浪可以提高目标的探测概率和探测距离，但也会提高水面目标船艇的定位误差，从而影响无人艇避障路径的准确规划。无人艇亟需获得基于激光雷达的船艇航行尾浪探测和识别能力，实现尾浪的精准滤除，从而提升激光雷达设备在水面环境下的近距离探测能力和远距离目标的定位能力。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供基于PointNet网络的船艇尾浪识别与去除方法。

本发明的技术解决方案是：

基于PointNet网络的船艇尾浪识别与去除方法，包括如下步骤：

S1：将激光雷达设备安置在无人艇顶部无遮挡位置，实时获取无人艇360°范围的点云数据；

S2：对当前点云数据进行基于点云密度统计的去噪处理，去除点云数据中离散的噪声点；

S3：根据预先设计的容忍距离，对去除噪声点的点云数据进行欧几里得距离聚类，将点云数据分割成若干个独立的点云子集，每个点云子集即为一个可疑目标，统计确定每个可疑目标的目标点云、边界范围、目标中心点、目标半径，得到可疑目标列表；

S4：构建PointNet深度学习模型，并装载已训练好的权重参数；

S5：在S3中的各个点云子集中，寻找点云点数和目标半径大于预先指定数据的点云子集，将寻找到的点云子集输入PointNet深度学习模型中进行分类识别；

S6：若某个点云子集经PointNet深度学习模型识别为尾浪目标，则将其从可疑目标列表中去除；

S7：判断每个尾浪目标是无人艇自身产生的尾浪还是其它船艇产生的尾浪，若是其它船艇产生的尾浪，确定该尾浪目标对应的水面航行船艇目标，与其它可疑目标共同组成水面障碍物；

S8：根据连续帧中水面障碍物的位置变化计算水面障碍物的当前位置、运动速度以及运动方向，并利用卡尔曼滤波优化探测信息和预测障碍物的运动趋势，最后将上述信息作为探测结果发送给无人艇控制平台，辅助实现无人艇的自动驾驶和自主避障。

所述步骤S2中，对当前点云数据进行去噪处理的步骤如下：

(2.1)设定邻域点数量k，标准差倍数阈值std_mul；