一种用于无人驾驶的障碍物检测方法及障碍物检测装置与流程

1.本说明书涉及无人驾驶领域，尤其涉及一种用于无人驾驶的障碍物检测方法及障碍物检测装置。


背景技术：

2.在无人驾驶技术中，对无人驾驶设备周围障碍物进行准确检测（如、确定障碍物所处位置。确定障碍物的类型等），能够保证无人驾驶设备对障碍物的准确避障。
3.在现有技术中，无人驾驶设备可以通过采集到的点云数据，并确定在点云数据中障碍物所处的3d范围，从而根据该3d范围，进行后续的确定障碍物类型、确定障碍物所处位置等操作，而由于点云数据较为稀疏，并且在通过雷达进行障碍物的扫描，由于方位的限制可能会无法扫描到某些位置，导致采集到的涉及障碍物的点云中某些边缘区域存在缺失，因此，确定出的点云数据中障碍物所处的3d范围可能存在误差。
4.所以，如何提高确定点云数据中障碍物所处的3d范围的准确性，则是一个亟待解决的问题。


技术实现要素：

5.本说明书提供一种用于无人驾驶的障碍物检测方法及障碍物检测装置，以部分的解决现有技术存在的上述问题。
6.本说明书采用下述技术方案：本说明书提供了一种用于无人驾驶的障碍物检测方法，包括：获取无人驾驶设备采集到的点云数据，并确定障碍物在所述点云数据中对应的待定检测范围；确定所述待定检测范围内的点云数据，作为目标点云数据；基于规范点云数据以及所述待定检测范围，对所述目标点云数据进行数据增强，得到增强后点云数据，所述规范点云数据用于对所述目标点云数据进行稠密化以及缺失填充；确定所述增强后点云数据对应的点云特征，并根据所述点云特征，对所述障碍物进行范围检测，得到优化后检测范围，以及基于所述优化后检测范围，针对所述障碍物进行障碍物检测。
7.可选地，基于规范点云数据以及所述待定检测范围，对所述目标点云数据进行数据增强，得到增强后点云数据，具体包括：将所述规范点云数据添加到所述目标点云数据中；调整位于所述待定检测范围外的规范点云数据，和/或调整叠加所述规范点云数据后的所述待定检测范围内的点云数据，得到增强后点云数据。
8.可选地，调整位于所述待定检测范围外的规范点云数据，具体包括：将位于所述待定检测范围外的规范点云数据的激光反射率调整至不超过设定反
射率，其中，针对任意一个点云点，若该点云点的激光反射率越高，该点云点在点云中越突出。
9.可选地，调整叠加所述规范点云数据后的所述待定检测范围内的点云数据，具体包括：以叠加所述规范点云数据后的所述待定检测范围内的点云数据中，距离所述待定检测范围的中心位置越近的点云点的激光反射率越低，距离所述待定检测范围的边缘越近的点云点的激光反射率越高为调整目标，调整叠加所述规范点云数据后的所述待定检测范围内的点云数据，其中，针对任意一个点云点，若该点云点的激光反射率越高，该点云点在点云中越突出。
10.可选地，确定所述增强后点云数据对应的点云特征，具体包括：确定所述增强后点云数据中每个点云点对应的原始坐标，所述原始坐标是以采集所述目标点云数据的采集设备为中心的坐标系下的坐标；确定所述增强后点云数据中的基准点，并针对所述增强后点云数据的每个点云点，将该点云点对应的原始坐标转换为，以所述基准点为中心的坐标系下的坐标，得到该点云点对应的转换后坐标；根据所述增强后点云数据中各点云点对应的转换后坐标，确定所述增强后点云数据对应的点云特征。
11.可选地，确定障碍物在所述点云数据中对应的待定检测范围，具体包括：确定所述点云数据对应的全局特征，并基于所述全局特征，确定所述障碍物在所述点云数据中的基础范围；确定所述全局特征中属于所述基础范围内的部分特征；根据所述部分特征，确定所述待定检测范围。
12.可选地，根据所述部分特征，确定所述待定检测范围，具体包括：根据所述部分特征，确定所述障碍物对应的各候选框，以及所述各候选框对应的置信度；根据所述各候选框以及所述各候选框对应的置信度，从所述各候选框中选取出目标框，并根据所述目标框确定出所述待定检测范围。
13.可选地，根据所述各候选框以及所述各候选框对应的置信度，从所述各候选框中选取出目标框，具体包括：在第n轮筛选中，从第n轮对应的候选框集合中筛选出置信度最高的候选框，作为第n轮筛选出的候选框，并去掉所述第n轮对应的候选框集合中与所述置信度最高的候选框之间的重合率超过设定重合率的候选框，得到第n+1轮对应的候选框集合，直到满足预设的筛选条件为止，并得到剩余候选框，其中，针对任意一轮筛选，若未从该轮对应的候选框集合中找到与该轮筛选出的候选框之间的重合率超过设定重合率的候选框，则确定满足所述筛选条件，并将该轮筛选后得到的候选框集合，作为所述剩余候选框，n为正整数；根据每轮筛选出的候选框以及所述剩余候选框，确定所述目标框。
14.可选地，获取无人驾驶设备采集到的点云数据，并确定障碍物在所述点云数据中对应的待定检测范围，具体包括：将所述点云数据输入到第一网络中，确定出障碍物在所述点云数据中对应的待定
检测范围；确定所述增强后点云数据对应的点云特征，并根据所述点云特征，对所述障碍物进行范围检测，得到优化后检测范围，具体包括：通过第二网络，确定所述增强后点云数据对应的点云特征，并根据所述点云特征，对所述障碍物进行范围检测，得到优化后检测范围，所述第二网络的网络层数小于所述第一网络的网络层数。
15.可选地，训练所述第二网络，具体包括：获取训练样本，所述训练样本中包含障碍物点云数据，以及所述障碍物点云数据对应的标注范围；基于规范点云数据以及所述标注范围，对所述障碍物点云数据进行增强，得到所述障碍物点云数据对应的增强后点云数据；将所述增强后点云数据输入到待训练的第二网络中，得到预测范围；以最小化所述预测范围与所述标注范围之间的偏差为目标，对所述第二网络进行训练。
16.本说明书提供了一种用于无人驾驶的障碍物检测装置，包括：获取模块，用于获取无人驾驶设备采集到的点云数据，并确定障碍物在所述点云数据中对应的待定检测范围；确定模块，用于确定所述待定检测范围内的点云数据，作为目标点云数据；增强模块，用于基于规范点云数据，对所述目标点云数据进行数据增强，得到增强后点云数据，所述规范点云数据用于对所述目标点云数据进行稠密化；优化模块，用于确定所述增强后点云数据对应的点云特征，并根据所述点云特征针对所述障碍物进行范围检测，得到优化后检测范围，以及基于所述优化后检测范围，针对所述障碍物进行障碍物检测。
17.本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述用于无人驾驶的障碍物检测方法。
18.本说明书提供了一种无人驾驶设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述用于无人驾驶的障碍物检测方法。
19.本说明书采用的上述至少一个技术方案能够达到以下有益效果：从上述方法中可以看出，获取无人驾驶设备采集到的点云数据，并确定障碍物在该点云数据中对应的待定检测范围，以及确定该待定检测范围内的点云数据，作为目标点云数据，基于规范点云数据，对该目标点云数据进行数据增强，得到增强后点云数据。而后，确定增强后点云数据对应的点云特征，并根据该点云特征针对该障碍物进行范围检测，得到优化后检测范围，以及基于该优化后检测范围，针对所述障碍物进行障碍物检测。
20.从上述方法中可以看出，本方法可以基于待定检测范围，在障碍物对应的目标点云数据中添加规范点云数据，从而使得增强后点云数据稠密化，并且部分缺失位置（如边缘）被填充，使得通过该增强后点云数据能够更加准确地对障碍物的范围进行确定。
附图说明
21.此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：图1为本说明书中一种用于无人驾驶的障碍物检测方法的流程示意图；图2为本说明书中提供的一种增强后点云数据的示意图；图3为本说明书提供的一种用于无人驾驶的障碍物检测装置示意图；图4为本说明书提供的对应于图1的无人驾驶设备示意图。
具体实施方式
22.为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
23.以下结合附图，详细说明本说明书各实施例提供的技术方案。
24.图1为本说明书中一种用于无人驾驶的障碍物检测方法的流程示意图，具体包括以下步骤：s101：获取无人驾驶设备采集到的点云数据，并确定障碍物在所述点云数据中对应的待定检测范围。
25.s102：确定所述待定检测范围内的点云数据，作为目标点云数据。
26.s103：基于规范点云数据以及所述待定检测范围，对所述目标点云数据进行数据增强，得到增强后点云数据，所述规范点云数据用于对所述目标点云数据进行稠密化。
27.在无人驾驶领域中，无人驾驶设备需要对障碍物进行检测，并实现后续的避障等操作，因此，无人驾驶设备可以获取采集到的点云数据，并确定障碍物在所述点云数据中对应的待定检测范围，以及确定待定检测范围内的点云数据，作为目标点云数据，而后，无人驾驶设备需要基于规范点云数据，对该目标点云数据进行数据增强，得到增强后点云数据，其中，规范点云数据用于对该目标点云数据进行稠密化。
28.也就是说，上述待定检测范围可以是指无人驾驶设备初步针对该点云数据确定出的障碍物所处的3d范围，而后续无人驾驶设备可以对该3d范围内的目标点云数据进行增强，得到增强后的点云数据，并通过增强后的点云数据，确定出更准确的障碍物所处的3d范围。
29.确定上述待定检测范围，以及对该目标点云数据进行数据增强的方式均可以有多种，下面将依次介绍确定该待定检测范围，以及对该目标点云数据进行增强的方式。
30.首先，确定待定检测范围的方式可以有多种，例如，无人驾驶设备可以确定出该点云数据对应的全局特征，并基于该全局特征，确定障碍物在点云数据中的基础范围，以及确定全局特征中属于基础范围内的部分特征，进而，根据该部分特征，确定出待定检测范围。也就是说，全局特征可以是指整体上表示该点云数据的特征，先通过全局特征进行障碍物的范围检测，确定出障碍物在点云数据大致所处的基础范围，而后，再通过全局特征中属于该基础范围内的部分特征，即，属于该障碍物的部分特征，来精细化的确定出该障碍物对应
的待定检测范围，并且，由于点云数据可以会涉及到多个障碍物，因此，这种方式通过先确定出障碍物的基础范围，可以先大致确定出点云数据中存在的障碍物，再针对每个障碍物，通过全局特征中属于该障碍物的部分特征，对该障碍物的位置进行精细的确定，得到该障碍物对应的待定检测范围。
31.其中，在通过该障碍物对应的部分特征，确定该障碍物对应的待定检测范围时，为了能够更加准确的确定该待定检测范围，可以通过该部分特征，确定出该障碍物对应的各候选框，以及每个候选框对应的置信度，该障碍物对应的各候选框可以是指位置、大小有所区别的表示该障碍物在点云数据中的范围的3c框，可以根据每个候选框对应的置信度，选取出有价值的候选框，并根据有价值的候选框，确定出待定检测范围。
32.选取出候选框的方式也可以有多种。例如，可以选取出置信度最高的候选框，作为目标框。再例如，可以根据各候选框之间的重合率以及置信度，选取出置信度既高，重合率较低的候选框，具体的，可以在第n轮筛选中，从第n轮对应的候选框集合中筛选出置信度最高的候选框，作为第n轮筛选出的候选框，并去掉第n轮对应的候选框集合中与置信度最高的候选框之间的重合率超过设定重合率的候选框，得到第n+1轮对应的候选框集合，直到满足预设的筛选条件为止，并得到剩余候选框，其中，针对任意一轮筛选，若未从该轮对应的候选框集合中找到与该轮筛选出的候选框之间的重合率超过设定重合率的候选框，则确定满足筛选条件，并将该轮筛选后得到的候选框集合，作为剩余候选框，根据每轮筛选出的候选框以及剩余候选框，确定目标框，n为正整数。
33.可以看出，每一轮对应的候选框集合是在上一轮中得到的，上一轮从候选框集合中取出了置信度最高的候选框，以及与该置信度最高的候选框之间重合率高于设定重合率的候选框，从而得到了需要用在下一轮中的候选框集合。这里提到的设定重合率可以进行预先设置。
34.也就是说，上述方式是多次进行候选框的筛选，并在每次筛选候选框时，选取出置信度最高的候选框，以及将与置信度最高的候选框重合率较高的候选框进行删除，从而到达选取置信度较高、重合率较低的若干候选框，从而将这些候选框作为目标框。举例来说，假设一个障碍物对应有4个候选框：a、b、c、d，则候选框集合中包含[a、b、c、d]，从a到d依次置信度越来越低，在第一次筛选时，首先筛选出a，而d与a之间的重合率高于设定重合率，将d删去不予考虑，因此在这一轮得到的候选框集合为[b、c]，开始基于候选框集合 [b、c]第二次筛选，其中，c与b之间的重合率也高于设定重合率，则可以留下b，因此，a、b为选出的目标框，则待定检测范围可以是指a以及b所组成的范围。
[0035]
当然，若需要降低确定该待定检测范围的时间，则无人驾驶设备也可以直接通过该点云数据的全局特征，确定出障碍物在所述点云数据中对应的待定检测范围。确定该全局特征的方式可以有多种，例如，可以通过bev算法确定出点云数据的全局特征，即，该全局特征可以是指bev2d特征。
[0036]
上面的内容大部分均在说明如何对待定检测范围进行确定，而本说明书中，解决现有技术的问题重点在于，可以通过规范点云数据，对目标点云数据进行增强，并通过增强后点云数据进行范围检测，得到一个相比于待定检测范围更加准确的检测范围，即，优化后检测范围。也就是说，目标点云数据可能存在一定的稀疏、缺失等问题，那么通过规范点云数据对该目标点云数据的填充，能够在一定程度上通过得到更准确的优化后检测范围。
[0037]
其中，规范点云数据可以是固定密度，均匀分布在目标点云数据内部以及周围，如图2所示。
[0038]
图2为本说明书提供的一种规范点云数据的示意图。
[0039]
从图2中可以看出，规范点云数据可以是设定密度的，也就是说，可以向目标点云数据中添加设定密度的规范点云数据，得到增强后点云数据，在图2中，黑色点表示目标点云数据中原始的点云点，黑色框表示待定检测范围，灰色点组成的虚拟点云可以是指规范点云数据，可以看出，该规范点云数据为固定密度。
[0040]
需要说明的是，在图2中可以看出，规范点云数据可以超出待定检测范围，那么在确定增强后点云数据时，该增强后点云数据可以包含该待定检测范围内的规范点云数据以及目标点云数据，当然，该增强后点云数据还可以包括图2中的位于待定检测范围外的规范点云数据，但是添加到增强后点云数据中的规范点云数据需要符合，能够突出边缘点与待定检测范围外的点云点的区别的这一要求。
[0041]
因此，在对目标点云数据添加规范点云数据时，在将该规范点云数据添加到目标点云数据中后，可以调整位于待定检测范围外的规范点云数据，和/或调整叠加了该规范点云数据后的该待定检测范围内的点云数据，得到增强后点云数据。
[0042]
也就是说，可以通过调整位于待定检测范围外的点云点，和/或调整位于待定检测范围内的点云点（对于位于待定检测范围内的点云，可以仅调整规范点云数据，也可以对规范点云数据以及目标点云数据均进行调整），达到突出的目标点云数据的边缘的这一目的。
[0043]
基于此，无人驾驶设备可以将位于待定检测范围外的规范点云数据的激光反射率调整至不超过设定反射率，其中，针对任意一个点云点，若该点云点的激光反射率越高，该点云点在点云中越突出，其中，该设定反射率可以被预先设置，例如，可以将位于待定检测范围外的规范点云数据的激光反射率调整为0，则在待定检测范围外添加的规范点云数据可以理解为作为该目标点云数据背景的点云。
[0044]
而在待定检测范围内，可以将叠加了该规范点云数据后的待定检测范围内的点云数据中，距离待定检测范围的中心位置越近的点云点的激光反射率越低，距离待定检测范围的边缘越近的点云点的激光反射率越高作为调整目标，调整叠加了该规范点云数据后的待定检测范围内的点云数据。
[0045]
也就是说，使得越靠近该待定检测范围的边界的点云点的激光反射率越高，越远离该待定检测范围的边界的点云点的激光反射率越低，使得增强后点云数据能够表示出该目标点云数据对应的障碍物的更明显的边界，从而在后续通过该增强后点云数据进行障碍物范围检测，能够得到更准确的优化后检测范围。
[0046]
s104：确定所述增强后点云数据对应的点云特征，并根据所述点云特征针对所述障碍物进行范围检测，得到优化后检测范围，以及基于所述优化后检测范围，针对所述障碍物进行障碍物检测。
[0047]
通过上述方式对目标点云数据进行数据增强后，得到了增强后点云数据，无人驾驶设备可以确定出该增强后点云数据对应的点云特征，并根据该点云特征进行范围检测，以对该待定检测范围进行优化，得到优化后检测范围。
[0048]
也就是说，相比于该待定检测范围，该优化后检测范围是基于对目标点云数据进行数据增强后得到的，而该待定检测范围则通过存在一定的缺陷（即，点云较为稀疏、边界
可能出现缺失等缺陷）的点云数据得到，但是通过进行数据增强，能够在一定程度上减少目标点云数据中存在的这些缺陷，因此，该优化后检测范围相比该待定检测范围较为准确。
[0049]
需要说明的是，在确定点云数据的特征时，通常需要使用到点云数据中每个点云点的坐标，而点云点的坐标通常是以采集该点云数据的采集设备（即，无人驾驶设备上安装的雷达）为中心的坐标系下的坐标，而这样一来，距离该无人驾驶设备较远的障碍物对应的那部分点云中的每个点云点的坐标值可能会较大，从而使得这部分点云的每个点云点的坐标值无法表示出每个点云点之间的距离关系，从而也可能会导致确定出的障碍物范围不准确，并且，在无人驾驶设备通过这样的点云数据确定障碍物范围时，由于坐标值较大，效率可能也会比较低，那么下面即将说明的方式则是为了解决这些问题。
[0050]
具体的，在确定增强后点云数据的点云特征时，可以确定增强后点云数据中每个点云点对应的原始坐标，该原始坐标为以采集目标点云数据的采集设备为中心的坐标系下的坐标，而后，无人驾驶设备可以确定该增强后点云数据的基准点（该基准点可以有多种，例如，该基准点可以是指目标点云数据对应的中心点，也可以是指在该目标点云数据中的任意点云点），并针对每个点云点，将该点云点对应的原始坐标转换为，以该基准点为中心的坐标系下的坐标，得到该点云点对应的转换后坐标，并根据各点云点对应的转换后坐标，确定该增强后点云数据对应的点云特征。（当然，由于基准点为坐标原点，则不需要将该基准点进行坐标转换，即，可以针对除了该基准点外的每个点云点，该点云点对应的原始坐标转换为转换后坐标）也就是说，可以将该增强后点云数据中每个点云点的坐标转换为在该增强后点云数据的局部空间中的坐标，即，以该增强后点云数据所处的位置下的坐标系来表示该增强后点云数据中每个点云点的坐标，每个坐标的数值均不会较大，通过每个点云点的坐标数值之间的关系，能够更清晰地体现点云点之间的位置关系。
[0051]
确定出上述优化后检测范围后，可以基于该优化后检测范围，针对上述障碍物进行障碍物检测，并基于障碍物检测结果对无人驾驶设备进行控制。也就是说，无人驾驶设备根据根据该优化后检测范围，针对上述障碍物进行障碍物检测，例如，确定该障碍物是何种障碍物、确定该障碍物的位置等。而进行障碍物检测得到障碍物检测结果后，可以基于该障碍物检测结果对无人驾驶设备进行控制，例如，在确定出该障碍物是何种障碍物后，对该障碍物进行针对性的避障。再例如，在确定出该障碍物的位置后，对该障碍物的轨迹进行预测，并基于预测出的障碍物轨迹进行轨迹规划。
[0052]
上述提到的无人驾驶设备可以是指无人车、无人机、自动配送设备等能够实现自动驾驶的设备。基于此，通过本说明书提供的用于无人驾驶的障碍物检测方法可以用于无人驾驶设备对点云数据进行增强，并增强后的点云数据进行障碍物检测，该无人驾驶设备具体可应用于通过无人驾驶设备进行配送的领域，如，使用无人驾驶设备进行快递、物流、外卖等配送的业务场景。
[0053]
需要说明的是，在本说明书中，确定待定检测范围以及确定优化后检测范围的网络可以是分开的，并且，确定优化后检测范围的网络可以是轻量化网络，网络层数较少，在确定该待定检测范围时，可以将点云数据输入到该第一网络中，从而得到该待定检测范围，而在确定优化后检测范围时，可以通过第二网络，确定出增强后点云数据对应的点云特征，以及根据该点云特征，对障碍物进行范围检测，得到优化后检测范围。其中，第二网络的网
络层数相比于第一网络的网络层数少。
[0054]
其中。第一网络中可以包含有确定出上述基础范围的第一子网络，以及确定出该待定检测范围的第二子网络，可以通过第一子网络来确定出基础范围后，通过第二子网络对属于该基础范围的部分特征进行检测，得到待定检测范围。
[0055]
第一网络与第二网络可以是单独训练的，并且，在训练该第二网络时，可以获取训练样本，该训练样本中包含障碍物点云数据，以及该障碍物点云数据对应的标注范围，可以基于规范点云数据以及该标注范围，对该障碍物点云数据进行增强，得到障碍物点云数据对应的增强后点云数据，以及将该增强后点云数据输入到待训练的第二网络中，得到预测范围，并以最小化该预测范围与上述标注范围之间的偏差为目标，对该第二网络进行训练。
[0056]
也就是说，在训练该第二网络时，也可以先对训练样本中包含的障碍物点云数据来进行增强，并通过该第二网络确定基于增强后的障碍物点云数据，来进行障碍物的范围检测，该第二网络的训练目标是使得通过增强后的障碍物点云数据得到的预测范围能够准确，这样一来，在应用该第二网络时，可以通过该第二网络得到尽量准确的优化后预测范围。
[0057]
从上述方法中可以看出，可以基于待定检测范围，在障碍物对应的目标点云数据中添加规范点云数据，从而使得增强后点云数据稠密化，并且部分缺失位置被填充，使得通过该增强后点云数据能够更加准确地对障碍物的范围进行确定。
[0058]
并且，对于增强后点云数据来说，可以使得表示障碍物的点云的边界明显化，并将不属于该障碍物的点云弱化，作为衬托该障碍物的点云的背景，从而使得通过该增强后点云数据进行障碍物的范围检测时，能够检测得更加准确。
[0059]
以上为本说明书的一个或多个实施例提供的用于无人驾驶的障碍物检测方法，基于同样的思路，本说明书还提供了相应的用于无人驾驶的障碍物检测装置，如图3所示。
[0060]
图3为本说明书提供的一种用于无人驾驶的障碍物检测装置示意图，具体包括：获取模块301，用于获取无人驾驶设备采集到的点云数据，并确定障碍物在所述点云数据中对应的待定检测范围；确定模块302，用于确定所述待定检测范围内的点云数据，作为目标点云数据；增强模块303，用于基于规范点云数据，对所述目标点云数据进行数据增强，得到增强后点云数据，所述规范点云数据用于对所述目标点云数据进行稠密化；优化模块304，用于确定所述增强后点云数据对应的点云特征，并根据所述点云特征针对所述障碍物进行范围检测，得到优化后检测范围，以及基于所述优化后检测范围，针对所述障碍物进行障碍物检测。
[0061]
可选地，所述增强模块303具体用于，将所述规范点云数据添加到所述目标点云数据中；调整位于所述待定检测范围外的规范点云数据，和/或调整叠加所述规范点云数据后的所述待定检测范围内的点云数据，得到增强后点云数据。
[0062]
可选地，所述增强模块303具体用于，将位于所述待定检测范围外的规范点云数据的激光反射率调整至不超过设定反射率，其中，针对任意一个点云点，若该点云点的激光反射率越高，该点云点在点云中越突出。
[0063]
可选地，所述增强模块303具体用于，以叠加所述规范点云数据后的所述待定检测范围内的点云数据中，距离所述待定检测范围的中心位置越近的点云点的激光反射率越
低，距离所述待定检测范围的边缘越近的点云点的激光反射率越高为调整目标，调整叠加所述规范点云数据后的所述待定检测范围内的点云数据，其中，针对任意一个点云点，若该点云点的激光反射率越高，该点云点在点云中越突出。
[0064]
可选地，所述优化模块304具体用于，确定所述增强后点云数据中每个点云点对应的原始坐标，所述原始坐标是以采集所述目标点云数据的采集设备为中心的坐标系下的坐标；确定所述增强后点云数据中的基准点，并针对所述增强后点云数据的每个点云点，将该点云点对应的原始坐标转换为，以所述基准点为中心的坐标系下的坐标，得到该点云点对应的转换后坐标；根据所述增强后点云数据中各点云点对应的转换后坐标，确定所述增强后点云数据对应的点云特征。
[0065]
可选地，所述获取模块301具体用于，确定所述点云数据对应的全局特征，并基于所述全局特征，确定所述障碍物在所述点云数据中的基础范围；确定所述全局特征中属于所述基础范围内的部分特征；根据所述部分特征，确定所述待定检测范围。
[0066]
可选地，所述获取模块301具体用于，根据所述部分特征，确定所述障碍物对应的各候选框，以及所述各候选框对应的置信度；根据所述各候选框以及所述各候选框对应的置信度，从所述各候选框中选取出目标框，并根据所述目标框确定出所述待定检测范围。
[0067]
可选地，所述获取模块301具体用于，在第n轮筛选中，从第n轮对应的候选框集合中筛选出置信度最高的候选框，作为第n轮筛选出的候选框，并去掉所述第n轮对应的候选框集合中与所述置信度最高的候选框之间的重合率超过设定重合率的候选框，得到第n+1轮对应的候选框集合，直到满足预设的筛选条件为止，并得到剩余候选框，其中，针对任意一轮筛选，若未从该轮对应的候选框集合中找到与该轮筛选出的候选框之间的重合率超过设定重合率的候选框，则确定满足所述筛选条件，并将该轮筛选后得到的候选框集合，作为所述剩余候选框，n为正整数；根据每轮筛选出的候选框以及所述剩余候选框，确定所述目标框。
[0068]
可选地，所述获取模块301具体用于，将所述点云数据输入到第一网络中，确定出障碍物在所述点云数据中对应的待定检测范围；所述优化模块304具体用于，通过第二网络，确定所述增强后点云数据对应的点云特征，并根据所述点云特征，对所述障碍物进行范围检测，得到优化后检测范围，所述第二网络的网络层数小于所述第一网络的网络层数。
[0069]
可选地，所述装置还包括：训练模块305，用于获取训练样本，所述训练样本中包含障碍物点云数据，以及所述障碍物点云数据对应的标注范围；基于规范点云数据以及所述标注范围，对所述障碍物点云数据进行增强，得到所述障碍物点云数据对应的增强后点云数据；将所述增强后点云数据输入到待训练的第二网络中，得到预测范围；以最小化所述预测范围与所述标注范围之间的偏差为目标，对所述第二网络进行训练。
[0070]
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的用于无人驾驶的障碍物检测方法。
[0071]
本说明书还提供了图4所示的无人驾驶设备的示意结构图。如图4所述，在硬件层面，该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的用于无人驾驶的障碍物检测方法。当然，除了软件实现
方式之外，本说明书并不排除其他实现方式，比如逻辑器件抑或软硬件结合的方式等等，也就是说以下处理流程的执行主体并不限定于各个逻辑单元，也可以是硬件或逻辑器件。
[0072]
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（programmable logic device, pld）（例如现场可编程门阵列（field programmable gate array，fpga））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片pld上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（hardware description language，hdl），而hdl也并非仅有一种，而是有许多种，如abel（advanced boolean expression language）、ahdl（altera hardware description language）、confluence、cupl（cornell university programming language）、hdcal、jhdl（java hardware description language）、lava、lola、myhdl、palasm、rhdl（ruby hardware description language）等，目前最普遍使用的是vhdl（very
‑
high
‑
speed integrated circuit hardware description language）与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
[0073]
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（application specific integrated circuit，asic）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20 以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
[0074]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
[0075]
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
[0076]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd
‑
rom、光学存储器等）上实施的计算机程序产品的形式。
[0077]
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
[0078]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
[0079]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
[0080]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0081]
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
[0082]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd
‑
rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0083]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0084]
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施
例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd
‑
rom、光学存储器等）上实施的计算机程序产品的形式。
[0085]
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
[0086]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0087]
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。