点云数据稀疏化方法、电子设备及计算机可读存储介质与流程

1.本技术涉及激光雷达点云数据处理的技术领域，尤其涉及点云数据稀疏化方法、电子设备及计算机可读存储介质。


背景技术：

2.激光雷达作为热门车载传感器之一分为单线激光雷达和多线激光雷达，多线激光雷达主要应用于汽车的雷达成像，相比单线激光雷达在维度提升和场景还原上有着质的改变，可以识别物体的高度信息。目前在国际市场上推出的主要有16线、32线、48线和64线，但是多线激光雷达的价格较高，对接收器和处理器的要求也相对较高。
3.专利cn111667522a公开了一种三维激光点云密集化方法，该方法包括：使用低线束数量的激光雷达获取三维空间的稀疏激光点云，使用高线束数量的激光雷达获取三维空间的密集激光点云；对所述稀疏激光点云进行规则化处理，得到稀疏激光点云规则化数据；对所述密集激光点云进行规则化处理，得到密集激光点云规则化数据；基于所述稀疏激光点云规则化数据、密集激光点云规则化数据和hrnet网络，得到转换后的密集激光点云。该方法需要分别采集稀疏激光点云和密集激光点云并对其进行处理，再将处理结果通过hrnet网络进行转换，操作复杂，所消耗的计算资源较多。
4.基于此，本技术提供了点云数据稀疏化方法、电子设备及计算机可读存储介质，以改进现有技术。


技术实现要素：

5.本技术的目的在于提供点云数据稀疏化方法、电子设备及计算机可读存储介质，对多线激光线束进行采样并稀疏，以便于获取更优的点云数据集，降低点云数据集的标注成本。
6.本技术的目的采用以下技术方案实现：
7.第一方面，本技术提供了一种点云数据稀疏化方法，所述方法包括：
8.获取第一数据集，所述第一数据集包括多个第一点云数据；
9.对多个所述第一点云数据进行映射，以获取映射区域；
10.获取第一预设数量的采样线束在所述映射区域中的位置信息；
11.基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据。
12.该技术方案的有益效果在于：首先获取包含多个第一点云数据的第一数据集，其次，对多个所述第一点云数据进行映射，从而获取映射区域(由第一点云数据的映射点所组成的二维平面内的区域)，获取第一预设数量的采样线束在映射区域中的位置信息，基于第一预设数量的采样线束在映射区域中的位置信息对多个第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据。通过筛选对第一数据集中的第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据，将密集
的点云数据转为相对稀疏的点云数据，有利于后续数据集的融合，减少计算资源和成本；采样线束由第一预设数量稀疏为第二预设数量，有利于提高处理的速度，和后续模型的感知速率。
13.在一些可选的实施方式中，所述对多个所述第一点云数据进行映射，以获取映射区域，包括：
14.对每个所述第一点云数据在预设直角坐标系的y-z平面进行映射以获取所述每个第一点云数据对应的映射位置信息；
15.基于每个所述第一点云数据对应的映射位置信息，获取所述映射区域。
16.该技术方案的有益效果在于：在预设直角坐标系(例如预设直角坐标系的x轴平行于路面且沿车辆的行驶方向，y轴平行于路面且垂直于x轴，z轴垂直于路面)中，将三维的点云数据映射至预设直角坐标系以获取每个第一点云数据对应的映射位置信息(即映射之后的y-z平面内的每个映射点的位置信息，可以由y轴坐标和z轴坐标组成)，基于每个第一点云数据对应的映射位置信息，获取由每个第一点云数据对应的映射点组成的映射区域。通过将三维的点云数据映射到平面的方式，将三维数据转化成二维数据，可以更清晰直观的观察出第一点云数据对应的映射位置信息和映射区域，将抽象转为具体，有利于对第一点云数据的筛选和稀疏。如果不进行映射操作则会增加计算量，并且难以准确获取后续操作所需要的信息(例如采样线束的位置信息)。
17.在一些可选的实施方式中，所述方法还包括：
18.获取第二数据集，所述第二数据集包括多个第二点云数据；
19.对所述第二预设数量的采样线束对应的第一点云数据和多个所述第二点云数据进行融合，得到融合数据集；
20.基于所述融合数据集，训练预设的深度学习模型以得到感知模型。
21.该技术方案的有益效果在于：获取包括多个第二点云数据的第二数据集，对第二预设数量的采样线束对应的第一点云数据和多个第二点云数据进行融合，得到融合数据集(即点云数据集)，将融合数据集中的点云数据(包括第一点云数据和第二点云数据)输入至预设的深度学习模型并进行训练，从而得到感知模型。将第一点云数据所提供的信息和第二点云数据所提供的信息加以综合，消除不同数据集之间可能存在的冗余和矛盾，增加点云数据互补性，使点云数据所涵盖的信息更加全面，提高点云数据的使用效率。还有利于对各种信息源提供的有用信息进行采集、综合、过滤及合成，通过对信息的优化组合来导出更多的有效信息，增加信息的复杂度，以便辅助进行环境判定、规划、探测、验证、诊断等。用融合数据集对预设感知模型进行训练，可以提高模型的鲁棒性，使感知模型在不同的路况信息下均可以取得良好的表现。
22.在一些可选的实施方式中，所述获取第一预设数量的采样线束在所述映射区域中的位置信息，包括：
23.基于所述映射区域，获取所述映射区域的上边缘位置信息和所述映射区域的下边缘位置信息；
24.基于所述映射区域的上边缘位置信息，获取所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角；
25.基于所述映射区域的下边缘位置信息，获取所述映射区域的下边缘与所述预设直
角坐标系的y轴的夹角；
26.基于所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角和所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角，得到所述映射区域的俯仰角；
27.基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角；
28.基于相邻的所述采样线束之间的夹角，获取第一预设数量的采样线束在所述映射区域中的位置信息。
29.该技术方案的有益效果在于：基于映射区域，获取映射区域的上边缘位置信息和映射区域的下边缘位置信息，根据映射区域获取映射区域的上边缘位置信息和映射区域的下边缘位置信息，再分别获取映射区域的上边缘与预设直角坐标系的y轴的夹角、映射区域的下边缘与预设直角坐标系的y轴的夹角；根据映射区域的上边缘与预设直角坐标系的y轴的夹角和映射区域的下边缘与预设直角坐标系的y轴的夹角，计算得到映射区域的俯仰角(即映射区域的下边缘与预设直角坐标系的y轴的夹角与映射区域的上边缘与预设直角坐标系的y轴的夹角的差值)；基于映射区域的俯仰角和第一预设数量，获取相邻的采样线束之间的夹角；根据相邻的采样线束之间的夹角对采样线束进行规划从而获取第一预设数量的采样线束在映射区域中的位置信息。通过映射区域的边缘位置信息及夹角，从而对采样线束进行规划，以获取第一预设数量的采样线束在映射区域中的位置信息，建立几何关系，把抽象的采样线束具体化，有利于规划出准确的采样线束，计算过程简单且快捷。
30.在一些可选的实施方式中，所述基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角，包括：
31.计算所述映射区域的俯仰角与所述第一预设数量的商值作为相邻的所述采样线束之间的夹角。
32.该技术方案的有益效果在于：用映射区域的俯仰角除以第一预设数量，所得到的商值即为采样线束之间的夹角，可以模拟现实中激光雷达发出的均匀的激光线束，所获取的相邻的采样线束之间的夹角更贴合实际情况中相邻激光线束之间的夹角，有助于后续更准确地获取第一预设数量的采样线束在所述映射区域中的位置信息。
33.在一些可选的实施方式中，所述基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据，包括：
34.基于所述第一预设数量的采样线束在所述映射区域中的位置信息，获取所述第二预设数量的采样线束在所述映射区域中的位置信息；
35.基于所述第二预设数量的采样线束在所述映射区域中的位置信息，从所述第一预设数量的采样线束对应的第一点云数据中筛选得到第二预设数量的采样线束对应的第一点云数据。
36.该技术方案的有益效果在于：基于第一预设数量的采样线束在映射区域中的位置信息，获取第二预设数量的采样线束在所述映射区域中的位置信息，从第一预设数量的采样线束对应的第一点云数据中筛选得到第二预设数量的采样线束对应的第一点云数据；从而实现在不破化采样线束的情况下，对点云数据进行稀疏化处理，不仅保证了每个采样线束上点云数据的完整程度，还实现了点云数据的筛选和稀疏。将稀疏的规模扩大到采样线
束的层面上，以达到快速稀疏点云数据的目的，提高了操作的效率。
37.在一些可选的实施方式中，所述方法还包括：
38.基于预设距离，对所述第二预设数量的采样线束对应的第一点云数据进行临近搜索，以获取多个临近点云数据；
39.针对每个所述临近点云数据，执行以下处理：
40.将所述临近点云数据划分至所述第二预设数量的采样线束中自身所临近的一个采样线束。
41.该技术方案的有益效果在于：对第二预设数量的采样线束对应的第一点云数据进行临近搜索，临近搜索的范围由预设距离所约束，从而获取该临近搜索的范围内的多个临近点云数据，再将每个临近点云数据分别划分至自身所临近的第二预设数量的采样线束(即第二预设数量的采样线束中该临近点云数据所临近的一个采样线束)。可以确保采样线束的完整，防止点云数据和有用信息的遗漏，从而完善稀疏操作。
42.第二方面，本技术提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置成执行所述计算机程序时实现以下步骤：
43.获取第一数据集，所述第一数据集包括多个第一点云数据；
44.对多个所述第一点云数据进行映射，以获取映射区域；
45.获取第一预设数量的采样线束在所述映射区域中的位置信息；
46.基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据。
47.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时还可以实现以下步骤：
48.获取第二数据集，所述第二数据集包括多个第二点云数据；
49.对所述第二预设数量的采样线束对应的第一点云数据和多个所述第二点云数据进行融合，得到融合数据集；
50.基于所述融合数据集，训练预设的深度学习模型以得到感知模型。
51.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时采用以下方式获取第一预设数量的采样线束在所述映射区域中的位置信息：
52.基于所述映射区域，获取所述映射区域的上边缘位置信息和所述映射区域的下边缘位置信息；
53.基于所述映射区域的上边缘位置信息，获取所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角；
54.基于所述映射区域的下边缘位置信息，获取所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角；
55.基于所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角和所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角，得到所述映射区域的俯仰角；
56.基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角；
57.基于相邻的所述采样线束之间的夹角，获取第一预设数量的采样线束在所述映射区域中的位置信息。
58.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时采用以下方式基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角：
59.计算所述映射区域的俯仰角与所述第一预设数量的商值作为相邻的所述采样线束之间的夹角。
60.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时采用以下方式筛选得到第二预设数量的采样线束对应的第一点云数据：
61.基于所述第一预设数量的采样线束在所述映射区域中的位置信息，获取所述第二预设数量的采样线束在所述映射区域中的位置信息；
62.基于所述第二预设数量的采样线束在所述映射区域中的位置信息，从所述第一预设数量的采样线束对应的第一点云数据中筛选得到第二预设数量的采样线束对应的第一点云数据。
63.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时还可以实现：
64.基于预设距离，对所述第二预设数量的采样线束对应的第一点云数据进行临近搜索，以获取多个临近点云数据；
65.针对每个所述临近点云数据，执行以下处理：
66.将所述临近点云数据划分至所述第二预设数量的采样线束中自身所临近的一个采样线束。
67.第三方面，本技术提供了一种计算机可读存储介质，所述计算机可读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任一项方法的步骤。
附图说明
68.下面结合附图和实施方式对本技术进一步说明。
69.图1示出了本技术实施例提供的一种点云数据稀疏化方法的流程示意图。
70.图2示出了本技术实施例提供的一种得到感知模型的流程示意图。
71.图3示出了本技术实施例提供的一种获取第一预设数量的采样线束的位置信息的流程示意图。
72.图4示出了本技术实施例提供的一种电子设备的结构示意图。
73.图5示出了本技术实施例提供的一种程序产品的结构示意图。
具体实施方式
74.下面，结合附图以及具体实施方式，对本技术实施例做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施方式。
75.在本技术实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b的情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指的这些项中
的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，a和b，a和c，b和c，a和b和c，其中a、b和c可以是单个，也可以是多个。值得注意的是，“至少一项(个)”还可以解释成“一项(个)或多项(个)”。
76.还需说明的是，本技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本技术实施例被描述为“示例性的”或者“例如”的任何实施方式或设计方案不应被解释为比其他实施方式或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
77.下面，首先对本技术的其中一个技术领域(激光雷达)进行简单说明。
78.激光雷达(laser radar)，是以发射激光线束探测目标的位置、速度等特征量的雷达系统。其工作原理是向目标发射探测信号(激光线束)，然后将接收到的从目标反射回来的信号(目标回波)与发射信号进行比较，作适当处理后，就可获得目标的有关信息，如目标距离、方位、高度、速度、姿态、甚至形状等参数，从而对飞机、导弹等目标进行探测、跟踪和识别。
79.激光雷达按功能分类，可分为激光测距雷达、激光测速雷达、激光成像雷达、大气探测激光雷达、跟踪雷达；按工作介质分类，可分为固体激光雷达、气体激光雷达、半导体激光雷达；按线数分类，可分为单线激光雷达、多线激光雷达；按载荷平台分类，可分为机载激光雷达、基地激光雷达、车载激光雷达、星载激光雷达；按扫描方式分类，可分为mems型激光雷达、flash型激光雷达、相控阵激光雷达和机械旋转式激光雷达等。
80.其中，单线激光雷达主要用于规避障碍物，其扫描速度快、分辨率强、可靠性高。由于单线激光雷达比多线和3d激光雷达在角频率和灵敏度反映更加快捷，所以，在测试周围障碍物的距离和精度上都更加精确。但单线雷达只能平面式扫描，不能测量物体高度，有一定局限性。当前主要应用于服务机器人身上，如扫地机器人。
81.多线激光雷达主要应用于汽车的雷达成像，相比单线激光雷达在维度提升和场景还原上有了质的改变，可以识别物体的高度信息。多线激光雷达常规是2.5d，而且可以做到3d。目前在国际市场上推出的主要有4线、8线、16线、32线和64线。线束越多，价格越高昂，所获取的信息越全面，所消耗的计算资源越多。
82.方法实施例
83.参见图1，图1示出了本技术实施例提供的一种点云数据稀疏化方法的流程示意图。
84.本技术实施例提供了一种点云数据稀疏化方法，所述方法包括：
85.步骤s101：获取第一数据集，所述第一数据集包括多个第一点云数据；
86.步骤s102：对多个所述第一点云数据进行映射，以获取映射区域；
87.步骤s103：获取第一预设数量的采样线束在所述映射区域中的位置信息；
88.步骤s104：基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据。
89.由此，首先获取包含多个第一点云数据的第一数据集，其次，对多个所述第一点云数据进行映射，从而获取映射区域(由第一点云数据的映射点所组成的二维平面内的区域)，获取第一预设数量的采样线束在映射区域中的位置信息，基于第一预设数量的采样线
束在映射区域中的位置信息对多个第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据。
90.通过筛选对第一数据集中的第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据，将密集的点云数据转为相对稀疏的点云数据，有利于后续数据集的融合，减少计算资源和成本；采样线束由第一预设数量稀疏为第二预设数量，有利于提高处理的速度，和后续模型的感知速率。
91.本技术实施例对第一点云数据的数量不作限定，其例如可以是100、200、500、1000、10000、1000000、60000000、1000000000等。
92.本技术实施例对映射区域的形状不作限定，其例如可以是扇形、等腰三角形、直角三角形、钝角三角形、梯形、平行四边形或者具有上下边缘的不规则图形等。上边缘、下边缘均可以是点或者线。
93.本技术实施例对采样线束的数量不作限定，其例如可以是1、2、3、4、8、12、24、36、48等。
94.本技术实施例对第一预设数量不作限定，其例如可以是1、2、3、4、8、12、24、36、48等。
95.本技术实施例对第二预设数量不作限定，其例如可以是1、2、3、4、8、12、24、36、48等。
96.在本技术实施例中，第一预设数量大于第二预设数量。
97.在一些可选实施方式中，对多个第一点云数据进行映射的方式可以是，将每个第一点云数据的y轴坐标和z轴坐标进行转化(例如，以保留x轴坐标信息的转化方式进行转化)，例如可以将二者(即y轴坐标和z轴坐标)分别转化为y/x、z/x；y/x、z/(x+1)；y/2x、z/2x；y/x、z/2x；y/x2、z/x2等任何一种，实现对每个第一点云数据在预设直角坐标系的y-z平面进行映射，以获取每个第一点云数据对应的映射位置信息(该映射位置信息例如可以是y-z平面中的二维坐标数据)。
98.在一些可选的实施方式中，所述对多个所述第一点云数据进行映射，以获取映射区域(即步骤s102)，包括：
99.对每个所述第一点云数据在预设直角坐标系的y-z平面进行映射以获取所述每个第一点云数据对应的映射位置信息；
100.基于每个所述第一点云数据对应的映射位置信息，获取所述映射区域。
101.由此，在预设直角坐标系(例如预设直角坐标系的x轴平行于路面且沿车辆的行驶方向，y轴平行于路面且垂直于x轴，z轴垂直于路面)中，将三维的点云数据映射至预设直角坐标系以获取每个第一点云数据对应的映射位置信息(即映射之后的y-z平面内的每个映射点的位置信息，可以由y轴坐标和z轴坐标组成)，基于每个第一点云数据对应的映射位置信息，获取由每个第一点云数据对应的映射点组成的映射区域。通过将三维的点云数据映射到平面的方式，将三维数据转化成二维数据，可以更清晰直观的观察出第一点云数据对应的映射位置信息和映射区域，将抽象转为具体，有利于对第一点云数据的筛选和稀疏。如果不进行映射操作则会增加计算量，并且难以准确获取后续操作所需要的信息(例如采样线束的位置信息)。
102.在一些可选实施方式中，可以利用python、matlab的代码语句等对多个所述第一
点云数据进行映射操作。
103.参见图2，图2示出了本技术实施例提供的一种得到感知模型的流程示意图。
104.在一些可选的实施方式中，所述方法还包括：
105.步骤s201：获取第二数据集，所述第二数据集包括多个第二点云数据；
106.步骤s202：对所述第二预设数量的采样线束对应的第一点云数据和多个所述第二点云数据进行融合，得到融合数据集；
107.步骤s203：基于所述融合数据集，训练预设的深度学习模型以得到感知模型。
108.由此，获取包括多个第二点云数据的第二数据集，对第二预设数量的采样线束对应的第一点云数据和多个第二点云数据进行融合，得到融合数据集(即点云数据集)，将融合数据集中的点云数据(包括第一点云数据和第二点云数据)输入至预设的深度学习模型并进行训练，从而得到感知模型。
109.将第一点云数据所提供的信息和第二点云数据所提供的信息加以综合，消除不同数据集之间可能存在的冗余和矛盾，增加点云数据互补性，使点云数据所涵盖的信息更加全面，提高点云数据的使用效率。
110.还有利于对各种信息源提供的有用信息进行采集、综合、过滤及合成，通过对信息的优化组合来导出更多的有效信息，增加信息的复杂度，以便辅助进行环境判定、规划、探测、验证、诊断等。用融合数据集对预设感知模型进行训练，可以提高模型的鲁棒性，使感知模型在不同的路况信息下均可以取得良好的表现。
111.本技术实施例对第二点云数据的数量不作限定，其例如可以是100、200、500、1000、10000、1000000、60000000、1000000000等。
112.本技术实施例对感知模型不作限定，其例如可以是障碍物检测模型、道路感知模型、道路规划模型、车辆识别模型等可以利用激光雷达所采集的点云数据实现感知功能的一类模型。
113.本技术实施例中，对第二预设数量的采样线束对应的第一点云数据和多个第二点云数据进行融合的融合级别可以是，基于像元(pixel)级的融合、基于特征(feature)级的融合、基于决策(decision)级的融合。第二预设数量的采样线束对应的第一点云数据和多个第二点云数据进行融合的融合方法可以是，加权融合法、单变量图像差值法、图像比值法、图像回归法、主成分分析法等。
114.在一些可选的实施方式中，所述融合训练集包括多个训练数据，每个所述训练数据包括至少一个第一点云数据、第二点云数据以及所述第一点云数据和所述第二点云数据对应的感知信息的标注数据，所述感知信息用于指示感知到的对象类型，所述对象类型包括障碍物、汽车、行人、道路等。
115.所述感知模型的训练过程包括：
116.针对所述融合训练集中的每个训练数据，执行以下处理：
117.将所述训练数据中的所述第一点云数据和所述第二点云数据输入预设的深度学习模型，以得到所述第一点云数据和所述第二点云数据对应的感知信息的预测数据；
118.基于所述第一点云数据和所述第二点云数据对应的感知信息的预测数据和标注数据，对所述深度学习模型的模型参数进行更新；
119.检测是否满足预设的训练结束条件；如果是，则将训练出的所述深度学习模型作
为所述感知模型；如果否，则利用下一个所述训练数据继续训练所述深度学习模型。
120.本技术实施例对标注数据的获取方式不作限定，例如可以采用人工标注的方式，也可以采用自动标注或者半自动标注的方式。样本点云数据例如可以通过激光雷达采集的点云数据，也可以是利用gan模型的生成网络自动生成的。
121.本技术实施例对模型训练过程不作限定，其例如可以采用监督学习的训练方式，或者可以采用半监督学习的训练方式，或者可以采用无监督学习的训练方式。
122.本技术实施例对训练结束条件不作限定，其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等)，或者可以是对应的训练集中的训练数据都完成一次或多次训练，或者可以是本次训练得到的总损失值不大于预设损失值。
123.参见图3，图3示出了本技术实施例提供的一种获取第一预设数量的采样线束的位置信息的流程示意图。
124.在一些可选的实施方式中，所述获取第一预设数量的采样线束在所述映射区域中的位置信息(即步骤s103)，包括：
125.步骤s301：基于所述映射区域，获取所述映射区域的上边缘位置信息和所述映射区域的下边缘位置信息；
126.步骤s302：基于所述映射区域的上边缘位置信息，获取所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角；
127.步骤s303：基于所述映射区域的下边缘位置信息，获取所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角；
128.步骤s304：基于所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角和所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角，得到所述映射区域的俯仰角；
129.步骤s305：基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角；
130.步骤s306：基于相邻的所述采样线束之间的夹角，获取第一预设数量的采样线束在所述映射区域中的位置信息。
131.由此，基于映射区域，获取映射区域的上边缘位置信息和映射区域的下边缘位置信息，根据映射区域获取映射区域的上边缘位置信息和映射区域的下边缘位置信息，再分别获取映射区域的上边缘与预设直角坐标系的y轴的夹角、映射区域的下边缘与预设直角坐标系的y轴的夹角；
132.根据映射区域的上边缘与预设直角坐标系的y轴的夹角和映射区域的下边缘与预设直角坐标系的y轴的夹角，计算得到映射区域的俯仰角(即映射区域的下边缘与预设直角坐标系的y轴的夹角与映射区域的上边缘与预设直角坐标系的y轴的夹角的差值)；
133.基于映射区域的俯仰角和第一预设数量，获取相邻的采样线束之间的夹角；根据相邻的采样线束之间的夹角对采样线束进行规划从而获取第一预设数量的采样线束在映射区域中的位置信息。
134.通过映射区域的边缘位置信息及夹角，从而对采样线束进行规划，以获取第一预设数量的采样线束在映射区域中的位置信息，建立几何关系，把抽象的采样线束具体化，有利于规划出准确的采样线束，计算过程简单且快捷。
135.本技术实施例中，位置信息例如可以采用坐标数据来表示，也可以采用函数、方程等来表示。其中，坐标数据可以是由x轴、y轴和z轴坐标组成的，可以是是由y轴和z轴坐标组成的。
136.在一些可选实施方式中，可以采用人工测量的方法获取映射区域的上边缘与预设直角坐标系的y轴的夹角和映射区域的下边缘与预设直角坐标系的y轴的夹角，也可以使用数据分析软件自动测量。作为一个示例，映射区域的下边缘与预设直角坐标系的y轴的夹角为75度，映射区域的上边缘与预设直角坐标系的y轴的夹角为25度，则计算得到映射区域的俯仰角为50度。作为另一个示例，映射区域的下边缘与预设直角坐标系的y轴的夹角为75度，映射区域的上边缘与预设直角坐标系的y轴的夹角为-25度，则计算得到映射区域的俯仰角为100度。
137.本技术实施例对映射区域的上边缘与预设直角坐标系的y轴的夹角不作限定，其例如可以是1度、2度、5度、10度、23度、35度、50度、70度、80度等。
138.本技术实施例对映射区域的下边缘与预设直角坐标系的y轴的夹角不作限定1度、2度、5度、10度、23度、35度、50度、70度、80度等。
139.本技术实施例对映射区域的俯仰角不作限定1度、2度、5度、10度、23度、35度、50度、70度、80度等。
140.在一些可选实施方式中，可以采用人工计算的方法获取相邻的采样线束之间的夹角，也可以使用数据分析软件自动计算。作为一个示例，俯仰角是120度，第一预设数量是20，20个采样线束之间的夹角均为6度。第二预设数量是10，这10个稀疏采样得到的采样线束之间的夹角则是12度。
141.本技术实施例对相邻的采样线束之间的夹角不作限定，其例如可以是1度、2度、5度、10度、23度、35度、50度、70度、80度等。
142.在一些可选的实施方式中，所述基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角(即步骤s305)，包括：
143.计算所述映射区域的俯仰角与所述第一预设数量的商值作为相邻的所述采样线束之间的夹角。
144.由此，用映射区域的俯仰角除以第一预设数量，所得到的商值即为采样线束之间的夹角，可以模拟现实中激光雷达发出的均匀的激光线束，所获取的相邻的采样线束之间的夹角更贴合实际情况中相邻激光线束之间的夹角，有助于后续更准确地获取第一预设数量的采样线束在所述映射区域中的位置信息。
145.在一些可选的实施方式中，所述基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据(即步骤s104)，包括：
146.基于所述第一预设数量的采样线束在所述映射区域中的位置信息，获取所述第二预设数量的采样线束在所述映射区域中的位置信息；
147.基于所述第二预设数量的采样线束在所述映射区域中的位置信息，从所述第一预设数量的采样线束对应的第一点云数据中筛选得到第二预设数量的采样线束对应的第一点云数据。
148.本技术实施例中，采样线束位于映射平面(即y-z平面)，每个采样线束对应映射平
面中的多个映射位置信息(即采样线束的位置信息所包括的多个第一点云数据对应的映射位置信息，也就是说这些第一点云数据的映射位置处于该采样线束内)，每个映射位置信息对应一个原始的第一点云数据，具体而言，每个映射位置信息都是一个原始的第一点云数据的映射结果。由于采样线束对应多个映射位置信息，并且每个映射位置信息对应一个第一点云数据，因此可以通过采样线束间接对应得到多个第一点云数据，作为该采样线束对应的第一点云数据。
149.在一些可选实施方式中，可以采用等间距批次采样的方法从第一预设数量的采样线束对应的第一点云数据中筛选得到第二预设数量的采样线束对应的第一点云数据。
150.由此，基于第一预设数量的采样线束在映射区域中的位置信息，获取第二预设数量的采样线束在所述映射区域中的位置信息获取第一预设数量的采样线束对应的第一点云数据，从第一预设数量的采样线束对应的第一点云数据中筛选得到第二预设数量的采样线束对应的第一点云数据；
151.从而实现在不破化采样线束的情况下，对点云数据进行稀疏化处理，不仅保证了每个采样线束上点云数据的完整程度，还实现了点云数据的筛选和稀疏。将稀疏的规模扩大到采样线束的层面上，以达到快速稀疏点云数据的目的，提高了操作的效率。
152.作为一个示例，第一预设数量是64，第二预设数量是32，则所述基于所述第一预设数量的采样线束在所述映射区域中的位置信息，获取所述第二预设数量的采样线束在所述映射区域中的位置信息的过程包括：
153.将64个采样线束按照x轴的任一旋转方向顺序编号为1～64，从64个采样线束的位置信息中获取奇数编号(即1、3、5、7、9、
……
63)的采样线束的位置信息。
154.也就是说，可以采用均匀采样的方式从第一预设数量的采样线束的位置信息中筛选出第二预设数量的采样线束的位置信息。
155.在一些可选的实施方式中，所述方法还包括：
156.基于预设距离，对所述第二预设数量的采样线束对应的第一点云数据进行临近搜索，以获取多个临近点云数据；
157.针对每个所述临近点云数据，执行以下处理：
158.将所述临近点云数据划分至所述第二预设数量的采样线束中自身所临近的一个采样线束。
159.由此，对第二预设数量的采样线束对应的第一点云数据进行临近搜索，临近搜索的范围由预设距离所约束，从而获取该临近搜索的范围内的多个临近点云数据，再将每个临近点云数据分别划分至自身所临近的第二预设数量的采样线束(即第二预设数量的采样线束中该临近点云数据所临近的一个采样线束)。可以确保采样线束的完整，防止点云数据和有用信息的遗漏，从而完善稀疏操作。
160.在一些可选实施方式中，可以采用dbscan算法对第二预设数量的采样线束对应的第一点云数据进行临近搜索，以获取多个临近点云数据。dbscan(density-based spatial clustering of applications with noise)是一个比较有代表性的基于密度的聚类算法。它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。dbscan需要二个参数：扫描半径(eps)和最小包含点数(minpts)。任选一个未被访问(unvisited)的点开始，找出与其距离在eps之内(包括
eps)的所有附近点。如果附近点的数量大于等于最小包含点数，则当前点与其附近点形成一个簇，并且出发点被标记为已访问(visited)。然后递归，以相同的方法处理该簇内所有未被标记为已访问(visited)的点，从而对簇进行扩展。如果附近点的数量小于最小包含点数，则该点暂时被标记作为噪声点。如果簇充分地被扩展，即簇内的所有点被标记为已访问，然后用同样的算法去处理未被访问的点。在本技术中，扫描半径可以为预设距离。
161.本技术实施例对临近点云数据的数量不作限定，其例如可以是1、2、5、10、50、100、200、500、1000、10000、10000等。
162.本技术实施例对预设距离不作限定，其例如可以是1cm、2cm、5cm、10cm、50cm、100cm、200cm、3m、5m、10m等。
163.在一个具体实施例中，首先获取第一数据集，第一数据集多为公共数据集，其为利用多线激光束采集的点云数据集，第一数据集包括许多密集的第一点云数据，所包含的信息也更加多。建立预设直角坐标系，将第一数据集中密集的三维第一点云数据在预设直角坐标系的y-z平面进行映射，得到每个第一点云数据对应的映射位置信息(即映射之后的y-z平面内的每个映射点的位置信息，可以由y轴坐标和z轴坐标组成)，基于每个第一点云数据对应的映射位置信息，获取由每个第一点云数据对应的映射点组成的映射区域，在本技术实施例中每个第一点云数据对应的映射点组成的映射区域为扇形，该扇形包含上边缘和下边缘；
164.基于映射区域，获取映射区域的上边缘位置信息和映射区域的下边缘位置信息，根据映射区域获取映射区域的上边缘位置信息和映射区域的下边缘位置信息，再分别获取映射区域的上边缘与预设直角坐标系的y轴的夹角、映射区域的下边缘与预设直角坐标系的y轴的夹角；根据映射区域的上边缘与预设直角坐标系的y轴的夹角和映射区域的下边缘与预设直角坐标系的y轴的夹角，计算得到映射区域的俯仰角(即映射区域的下边缘与预设直角坐标系的y轴的夹角与映射区域的上边缘与预设直角坐标系的y轴的夹角的差值)；基于映射区域的俯仰角和第一预设数量，获取相邻的采样线束之间的夹角(用映射区域的俯仰角除以第一预设数量，所得到的商值即为采样线束之间的夹角)；根据相邻的采样线束之间的夹角对采样线束进行规划从而获取第一预设数量的采样线束在映射区域中的位置信息；
165.根据第一预设数量的采样线束在映射区域中的位置信息，剔除不位于第一预设数量的采样线束在映射区域中的位置信息上的二维映射点，保留位于第一预设数量的采样线束在映射区域中的位置信息上的二维映射点，并将所保留的二维映射点反映射到预设直角坐标系中，得到第二预设数量的采样线束对应的第一点云数据，从而完成对第一预设数量的采样线束对应的第一点云数据的稀疏操作；
166.设置预设距离，以每个第二预设数量的采样线束对应的第一点云数据对应的点为圆心，预设距离为半径作多个圆形，获取每个圆形内的点的点云数据作为临近点云数据，将临近点云数据划分至对应的第二预设数量的采样线束；
167.获取包括多个第二点云数据的第二数据集，第数据集为自采数据集，由线束较少的激光雷达在实际应用场景中采集得到，第二数据集中的第二点云数据比第一数据集中的第一点云数据稀疏，所涵盖的信息也较少。对第二预设数量的采样线束对应的第一点云数据和多个第二点云数据进行融合，得到融合数据集，将融合数据集中的点云数据(包括第一
点云数据和第二点云数据)输入至预设的深度学习模型并进行训练，从而得到感知模型。
168.设备实施例
169.本技术实施例还提供了一种电子设备，其具体实施方式与上述方法实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
170.本技术提供了一种电子设备，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置成执行所述计算机程序时实现以下步骤：
171.获取第一数据集，所述第一数据集包括多个第一点云数据；
172.对多个所述第一点云数据进行映射，以获取映射区域；
173.获取第一预设数量的采样线束在所述映射区域中的位置信息；
174.基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据。
175.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时还可以实现以下步骤：
176.获取第二数据集，所述第二数据集包括多个第二点云数据；
177.对所述第二预设数量的采样线束对应的第一点云数据和多个所述第二点云数据进行融合，得到融合数据集；
178.基于所述融合数据集，训练预设的深度学习模型以得到感知模型。
179.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时采用以下方式获取第一预设数量的采样线束在所述映射区域中的位置信息：
180.基于所述映射区域，获取所述映射区域的上边缘位置信息和所述映射区域的下边缘位置信息；
181.基于所述映射区域的上边缘位置信息，获取所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角；
182.基于所述映射区域的下边缘位置信息，获取所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角；
183.基于所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角和所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角，得到所述映射区域的俯仰角；
184.基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角；
185.基于相邻的所述采样线束之间的夹角，获取第一预设数量的采样线束在所述映射区域中的位置信息。
186.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时采用以下方式基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角：
187.计算所述映射区域的俯仰角与所述第一预设数量的商值作为相邻的所述采样线束之间的夹角。
188.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时采用以下方式筛选得到第二预设数量的采样线束对应的第一点云数据：
189.基于所述第一预设数量的采样线束在所述映射区域中的位置信息，获取所述第二
预设数量的采样线束在所述映射区域中的位置信息；
190.基于所述第二预设数量的采样线束在所述映射区域中的位置信息，从所述第一预设数量的采样线束对应的第一点云数据中筛选得到第二预设数量的采样线束对应的第一点云数据。
191.在一些可选的实施方式中，所述处理器被配置成执行所述计算机程序时还可以实现：
192.基于预设距离，对所述第二预设数量的采样线束对应的第一点云数据进行临近搜索，以获取多个临近点云数据；
193.针对每个所述临近点云数据，执行以下处理：
194.将所述临近点云数据划分至所述第二预设数量的采样线束中自身所临近的一个采样线束。
195.参见图4，图4示出了本技术实施例提供的一种电子设备的结构示意图。
196.电子设备包括至少一个存储器210、至少一个处理器220以及连接不同平台系统的总线230。
197.存储器210可以包括易失性存储器形式的可读介质，例如随机存取存储器(ram)211和/或高速缓存存储器212，还可以进一步包括只读存储器(rom)213。
198.其中，存储器210还存储有计算机程序，计算机程序可以被处理器220执行，使得处理器220实现上述任一项方法的步骤。
199.存储器210还可以包括具有至少一个程序模块215的实用工具214，这样的程序模块215包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例的每一个或某种组合中可能包括网络环境的实现。
200.相应的，处理器220可以执行上述计算机程序，以及可以执行实用工具214。
201.处理器220可以采用一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field-programmable gate array)或其他电子元件。
202.总线230可以为表示几类总线结构的一种或多种，包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构的任意总线结构的局域总线。
203.电子设备也可以与一个或多个外部设备240例如键盘、指向设备、蓝牙设备等通信，还可与一个或者多个能够与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入输出接口250进行。并且，电子设备还可以通过网络适配器260与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。网络适配器260可以通过总线230与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储平台等。
204.介质实施例
205.本技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储
有计算机程序，所述计算机程序被处理器执行时实现上述任一项方法的步骤，其具体实施方式与上述方法实施例中记载的实施方式、所达到的技术效果一致，部分内容不再赘述。
206.参见图5，图5示出了本技术实施例提供的一种程序产品的结构示意图。
207.所述程序产品用于实现上述任一项方法。程序产品可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本技术实施例中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
208.计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、rf等，或者上述的任意合适的组合。可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，程序设计语言包括面向对象的程序设计语言诸如java、c++等，还包括常规的过程式程序设计语言诸如c语言、python语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
209.本技术从使用目的上，效能上，进步及新颖性等观点进行阐述，已符合专利法所强调的功能增进及使用要件，本技术以上的说明书及说明书附图，仅为本技术的较佳实施例而已，并非以此局限本技术，因此，凡一切与本技术构造，装置，特征等近似、雷同的，即凡依本技术专利申请范围所作的等同替换或修饰等，皆应属本技术的专利申请保护的范围之内。

技术特征：
1.一种点云数据稀疏化方法，其特征在于，所述方法包括：获取第一数据集，所述第一数据集包括多个第一点云数据；对多个所述第一点云数据进行映射，以获取映射区域；获取第一预设数量的采样线束在所述映射区域中的位置信息；基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据。2.根据权利要求1所述的点云数据稀疏化方法，其特征在于，所述对多个所述第一点云数据进行映射，以获取映射区域，包括：对每个所述第一点云数据在预设直角坐标系的y-z平面进行映射以获取所述每个第一点云数据对应的映射位置信息；基于每个所述第一点云数据对应的映射位置信息，获取所述映射区域。3.根据权利要求1所述的点云数据稀疏化方法，其特征在于，所述方法还包括：获取第二数据集，所述第二数据集包括多个第二点云数据；对所述第二预设数量的采样线束对应的第一点云数据和多个所述第二点云数据进行融合，得到融合数据集；基于所述融合数据集，训练预设的深度学习模型以得到感知模型。4.根据权利要求2所述的点云数据稀疏化方法，其特征在于，所述获取第一预设数量的采样线束在所述映射区域中的位置信息，包括：基于所述映射区域，获取所述映射区域的上边缘位置信息和所述映射区域的下边缘位置信息；基于所述映射区域的上边缘位置信息，获取所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角；基于所述映射区域的下边缘位置信息，获取所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角；基于所述映射区域的上边缘与所述预设直角坐标系的y轴的夹角和所述映射区域的下边缘与所述预设直角坐标系的y轴的夹角，得到所述映射区域的俯仰角；基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角；基于相邻的所述采样线束之间的夹角，获取第一预设数量的采样线束在所述映射区域中的位置信息。5.根据权利要求4所述的点云数据稀疏化方法，其特征在于，所述基于所述映射区域的俯仰角和所述第一预设数量，获取相邻的所述采样线束之间的夹角，包括：计算所述映射区域的俯仰角与所述第一预设数量的商值作为相邻的所述采样线束之间的夹角。6.根据权利要求1所述的点云数据稀疏化方法，其特征在于，所述基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据，包括：基于所述第一预设数量的采样线束在所述映射区域中的位置信息，获取所述第二预设数量的采样线束在所述映射区域中的位置信息；
基于所述第二预设数量的采样线束在所述映射区域中的位置信息，从所述第一预设数量的采样线束对应的第一点云数据中筛选得到第二预设数量的采样线束对应的第一点云数据。7.根据权利要求6所述的点云数据稀疏化方法，其特征在于，所述方法还包括：基于预设距离，对所述第二预设数量的采样线束对应的第一点云数据进行临近搜索，以获取多个临近点云数据；针对每个所述临近点云数据，执行以下处理：将所述临近点云数据划分至所述第二预设数量的采样线束中自身所临近的一个采样线束。8.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器被配置成执行所述计算机程序时实现以下步骤：获取第一数据集，所述第一数据集包括多个第一点云数据；对多个所述第一点云数据进行映射，以获取映射区域；获取第一预设数量的采样线束在所述映射区域中的位置信息；基于所述第一预设数量的采样线束在所述映射区域中的位置信息对多个所述第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据。9.根据权利要求8所述的电子设备，其特征在于，所述处理器还被配置成执行所述计算机程序时还实现以下步骤：获取第二数据集，所述第二数据集包括多个第二点云数据；对所述第二预设数量的采样线束对应的第一点云数据和多个所述第二点云数据进行融合，得到融合数据集；基于所述融合数据集，训练预设的深度学习模型以得到感知模型。10.一种计算机可读存储介质，其特征在于，所述计算机可读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权利要求1-7任一项所述方法的步骤。

技术总结
本申请提供了点云数据稀疏化方法、电子设备及计算机可读存储介质，该方法包括：获取第一数据集；对多个第一点云数据进行映射，以获取映射区域；获取第一预设数量的采样线束在映射区域中的位置信息；基于第一预设数量的采样线束在映射区域中的位置信息对多个第一点云数据进行稀疏操作，以筛选得到第二预设数量的采样线束对应的第一点云数据；获取第二数据集；对第二预设数量的采样线束对应的第一点云数据和多个第二点云数据进行融合，得到融合数据集；基于融合数据集，训练预设的深度学习模型以得到感知模型。该方法对多线激光线束进行采样并稀疏，以便于获取更优的点云数据集，降低点云数据集的标注成本。低点云数据集的标注成本。低点云数据集的标注成本。


技术研发人员：陈海波 韩江锐
受保护的技术使用者：深兰人工智能（深圳）有限公司
技术研发日：2023.04.11
技术公布日：2023/8/5