[发明专利]应用于激光雷达单帧点云的高效KNN方法及其应用

说明书

本发明公开了一种应用于激光雷达单帧点云的高效KNN方法。本发明的另一个技术方案是提供了一种上述的应用于激光雷达单帧点云的高效KNN方法的应用，其特征在于，通过FPGA加速上述的应用于激光雷达单帧点云的高效KNN方法。本发明建立了基于点云投影和距离尺度的数据结构，这个结构确保了空间中相邻的点也是会被组织在相邻的存储中。本发明高效地构建新数据结构。本发明提供了高效地最近点搜索方式。

技术领域

本发明涉及一种应用于激光雷达单帧点云的KNN方法及其在FPGA上的实现。

背景技术

K最邻点搜索(KNN)是从参考点云中找出最靠近目标点的K个点。在智能驾驶技术中，KNN算法被广泛地应用在目标检测、定位与建图等方面[1][2]。一般来说，KNN算法分为两个部分：建立高效的数据结构和创建快速搜索方式。尽管现有的算法在搜索方面对KNN进行了优化[3-5]，但是运行速度依然不足以满足智能驾驶的高速行驶场景。同时，随着激光雷达技术的发展，点云大小成倍增加[6]，导致KNN算法需要消耗更多的时间。因此，如何高效地实现KNN算法变得至关重要。

现有的技术从不同的方向对上面的问题进行了探索。KD-tree[7]是目前最为广泛使用的KNN算法，它独特地提出了树状结构，先对空间进行划分，再进行比较得到候选点所在树状节点。但是其需要不停比较得到划分边界，消耗了大量时间，导致创建数据结构时间过长。即使[3][8][9]分别从建立、搜索、功耗方面对KD-tree进行了优化，但是建立时间依旧无法满足高速场景。[5]提出一个新的数据结构DSVS，其在在建立跟搜索方面相较于前面均都得到了提升，不过其在GPU平台上能效并不理想。

参考文献

[1]Zhang,Ji,and Sanjiv Singh.LOAM:Lidar odometry and mapping inreal-time.Robotics:Science and Systems.Vol.2.No.9.2014.

[2]Shan,Tixiao,and Brendan Englot.Lego-loam:Lightweight and ground-optimized lidar odometry and mapping on variable terrain.2018 IEEE/RSJInternational Conference on Intelligent Robots and Systems(IROS).IEEE,2018.

[3]Pinkham,Reid,Shuqing Zeng,and Zhengya Zhang.Quicknn:Memory andperformance optimization of kd tree based nearest neighbor search for 3dpoint clouds.2020 IEEE International Symposium on High Performance ComputerArchitecture(HPCA).IEEE,2020.

[4]Kosuge,Atsutake,et al.An SoC-FPGA-based iterative-closest-pointaccelerator enabling faster picking robots.IEEE Transactions on IndustrialElectronics 68.4(2020):3567-3576.

[5]Sun,Hao,et al.Efficient FPGA implementation of K-nearest-neighborsearch algorithm for 3D LIDAR localization and mapping in smart vehicles.IEEE Transactions on Circuits and Systems II:Express Briefs 67.9(2020):1644-1648.