本發明涉及自動駕駛與機器人環境感知?，具體為一種三維點云數據重構處理方法與系統。
背景技術：
1、三維點云數據重構主要應用于無人配送物流車或工業檢測機器人等設備的環境感知與建模，其技術實質是對傳感器采集的原始稀疏點云數據進行處理，從而生成連續的三維物理模型。
2、現有的點云重構與濾波技術通常采用全局無差別的平滑算法或單一分辨率的網格生成方式；此類傳統方法能夠實現基礎的三維形態構建并消除部分環境噪聲，解決的是常規場景下點云數據的初步平滑與基礎降噪問題；然而，在非結構化路面行駛場景中，傳感器常因自車運動產生采樣非均勻性干擾；現有的全局平滑與單一分辨率算法存在動力學失配與計算冗余局限，易導致高頻的稀疏關鍵幾何特征被誤判濾除；同時，常規網格生成中不可避免的低通平滑效應常將真實的物理棱角平滑為圓角，造成關鍵拓撲結構丟失，且傳統的全局重構糾錯機制會帶來龐大的算力消耗。
3、因此，如何在復雜場景下避免稀疏關鍵特征被濾除、抑制物理邊緣平滑過度，并實現算力資源的自適應高效分配與精細重構，成為有待解決的問題。
技術實現思路
1、本發明的目的在于提供一種三維點云數據重構處理方法與系統，解決以下技術問題：
2、打破傳統全局濾波無差別處理的動力學失配問題，避免高頻的稀疏關鍵特征被傳統平滑算法誤判濾除，從而有效抑制重構失真，改善下游環境感知任務在復雜物流場景下的決策魯棒性。
3、本發明的目的可以通過以下技術方案實現：
4、一種三維點云數據重構處理方法，包括以下步驟：
5、獲取原始稀疏點云數據及傳感器掃描軌跡信息；針對所述原始稀疏點云數據中的目標點，計算法向量變化率與曲率張量作為局部幾何張量，并結合所述傳感器掃描軌跡信息計算局部點云密度的倒數作為密度分布；基于所述法向量變化率、所述曲率張量及所述密度的倒數進行加權解算以構建局部特征熵場，其中，所述局部特征熵場用于量化表征點云局部區域的信息混亂度與特征顯著性；
6、基于所述局部特征熵場，計算所述原始稀疏點云數據中各點的重構置信度權重，生成各向異性置信度評估矩陣，其中，所述重構置信度權重用于表征各點屬于真實幾何特征或隨機噪聲的概率；
7、依據所述各向異性置信度評估矩陣，執行多尺度自適應網格生長，以生成初始三維重構模型，其中，所述多尺度自適應網格生長包括根據所述重構置信度權重動態調整網格尺寸與拓撲結構；
8、結合所述原始稀疏點云數據與所述初始三維重構模型，計算語義殘差，并基于所述語義殘差對所述初始三維重構模型進行局部細化，輸出最終三維模型。
9、優選的，計算所述原始稀疏點云數據的局部幾何張量與密度分布，并基于所述局部幾何張量與所述密度分布，構建局部特征熵場，包括：
10、針對所述原始稀疏點云數據中的每一個目標點，搜索其預設鄰域內的近鄰點集；
11、計算所述目標點及所述近鄰點集的法向量變化率與曲率張量作為所述局部幾何張量，并結合所述傳感器掃描軌跡信息計算所述目標點的局部點云密度作為所述密度分布；
12、基于所述法向量變化率、所述曲率張量及所述局部點云密度，解算所述目標點的特征熵值，并將所有目標點的特征熵值映射為三維顯著性特征圖，作為所述局部特征熵場。
13、優選的，基于所述局部特征熵場，計算所述原始稀疏點云數據中各點的重構置信度權重，生成各向異性置信度評估矩陣，包括：
14、識別所述三維顯著性特征圖中熵值小于預設特征熵閾值的區域為低熵區，識別特征熵值大于或等于所述預設特征熵閾值的區域為高熵區；
15、對于所述高熵區，進一步提取近鄰點集的協方差矩陣特征值以判斷其拓撲連續性，若最大特征值在特征值總和中的占比突破連續性下限，滿足預設拓撲連續條件，則判定為復雜特征區并賦予高置信度權重，若最大特征值占比不滿足所述預設拓撲連續條件，則判定為離群噪聲區并賦予低置信度權重；
16、對于所述低熵區，判定為平坦安全區并賦予中置信度權重，以形成所述各向異性置信度評估矩陣。
17、優選的，依據所述各向異性置信度評估矩陣，執行多尺度自適應網格生長，包括：
18、在所述平坦安全區，采用第一尺度網格進行快速擬合，以降低數據存儲量；
19、在所述復雜特征區，采用第二尺度網格進行精細擬合，縮小網格尺寸以原位構建物理邊緣，并引入邊緣約束算子，計算局部點云法向量梯度的最大方向，基于該方向對網格頂點施加幾何偏移量，以強制所述第二尺度網格貼合高頻特征邊緣，其中，所述第二尺度小于所述第一尺度；
20、在所述離群噪聲區，根據所述低置信度權重抑制網格生成，以去除背景噪聲。
21、優選的，結合所述原始稀疏點云數據與所述初始三維重構模型，計算語義殘差，包括：
22、根據所述傳感器掃描軌跡信息，確定原始采集視角，并將所述初始三維重構模型投影回所述原始采集視角，生成重構深度圖；
23、將所述原始稀疏點云數據投影至對應所述原始采集視角生成原始點云投影圖，并計算所述重構深度圖與所述原始點云投影圖在對應所述原始采集視角下的幾何偏差，分別提取所述重構深度圖與所述原始點云投影圖的關鍵拓撲特征，并提取所述關鍵拓撲特征的匹配度；
24、通過對所述幾何偏差與所述匹配度進行加權計算，生成所述語義殘差，其中，所述語義殘差用于指示關鍵特征丟失或過度平滑的區域。
25、優選的，基于所述語義殘差對所述初始三維重構模型進行局部細化，包括：
26、在所述語義殘差大于或等于預設殘差閾值的區域，自動觸發局部重構機制；
27、提高所述區域內的網格分辨率，并調整所述重構置信度權重，再次執行所述多尺度自適應網格生長，直至所述語義殘差小于所述預設殘差閾值。
28、優選的，原始稀疏點云數據來源于自動駕駛環境感知設備或手持式三維掃描設備；
29、所述最終三維模型用于下游任務的障礙物識別或逆向工程建模。
30、一種三維點云數據重構處理系統，包括以下模塊：
31、熵場構建模塊，用于獲取原始稀疏點云數據及傳感器掃描軌跡信息；計算所述原始稀疏點云數據的局部幾何張量與密度分布，并基于所述局部幾何張量與所述密度分布，構建局部特征熵場，其中，所述局部特征熵場用于量化表征點云局部區域的信息混亂度與特征顯著性；
32、權重評估模塊，用于基于所述局部特征熵場，計算所述原始稀疏點云數據中各點的重構置信度權重，生成各向異性置信度評估矩陣，其中，所述重構置信度權重用于表征各點屬于真實幾何特征或隨機噪聲的概率；
33、網格重構模塊，用于依據所述各向異性置信度評估矩陣，執行多尺度自適應網格生長，以生成初始三維重構模型，其中，所述多尺度自適應網格生長包括根據所述重構置信度權重動態調整網格尺寸與拓撲結構；
34、反饋優化模塊，用于結合所述原始稀疏點云數據與所述初始三維重構模型，計算語義殘差，并基于所述語義殘差對所述初始三維重構模型進行局部細化，輸出最終三維模型。
35、本發明的有益效果：
36、1）本發明通過計算局部幾何張量與密度分布構建局部特征熵場，并據此生成各向異性置信度評估矩陣；該機制量化表征了局部區域的信息混亂度與特征熵場，打破了傳統全局濾波無差別處理造成的動力學失配問題；通過重構置信度權重實現差異化算力分配，有效避免了高頻稀疏關鍵特征被誤判濾除；
37、2）本發明依據各向異性置信度評估矩陣執行多尺度自適應網格生長；在平坦安全區采用大尺度快速擬合，而在復雜特征區采用小尺度精細擬合并引入邊緣約束算子；邊緣約束算子強制網格貼合高頻邊緣，打破了常規低通平滑效應，防止物理棱角被平滑為圓角，從而精準保留了關鍵的拓撲結構；
38、3）本發明結合原始數據與初始模型計算語義殘差，用以指示特征丟失區域并進行局部細化；僅在語義殘差大于或等于預設閾值的區域自動觸發局部重構機制，提高局部網格分辨率與置信度權重；該閉環機制避免了全局重新計算帶來的龐大算力消耗，將資源精準聚焦于特征受損區，實現了算力的高效調配。