基于量子计算线路和LiDAR点云分类的物体识别方法技术

一种基于量子计算线路和LiDAR点云分类的物体识别方法，采用LiDAR传感器扫描自动驾驶车辆待识别的物体并得到该物体点云坐标组成的点云网络，通过特征映射转化为量子态后输入PointNet机器学习模型，将点云网络中的逐点运算抽象为生成隐式场，最后对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并输入神经网络分类器进行分类，可得到分类结果，实现物体识别。本发明专利技术通过对三维机器视觉中PointNet模型的量子化延拓，可以对逐点处理过程实现指数加速，同时在网络终端可以获得一个受量子强化的特征空间。一个受量子强化的特征空间。一个受量子强化的特征空间。

【技术实现步骤摘要】
基于量子计算线路和LiDAR点云分类的物体识别方法


[0001]本专利技术涉及的是一种无人驾驶领域的技术，具体是一种基于量子计算线路和LiDAR点云分类的物体识别方法，用于无人驾驶小数据量情况下快速判别待扫描物体的类型。

技术介绍

[0002]现有的对象分类的技术中，对于LiDAR传感器采集到的点云通常基于PointNet深度学习模型进行处理，其主要问题在于：该任务具有采集到的点云中点数量较多、实时性要求较高的特点，使用经典方法往往无法完成高效率的计算。

技术实现思路

[0003]本专利技术针对现有技术存在的上述不足，提出一种基于量子计算线路和LiDAR点云分类的物体识别方法，通过对三维机器视觉中PointNet(点云网络)模型的量子化延拓，可以对逐点处理过程实现指数加速，同时在网络终端可以获得一个受量子强化的特征空间。
[0004]本专利技术是通过以下技术方案实现的：
[0005]本专利技术涉及一种基于量子计算线路和LiDAR点云分类的物体识别方法，包括以下步骤：
[0006]步骤1)采用LiDAR传感器扫描自动驾驶车辆待识别的物体并得到该物体点云坐标组成的点云网络，通过特征映射转化为量子态。
[0007]所述的转化具体包括：
[0008]1.1)将点云进行归一化处理，将点坐标最值缩放至[-1,1]区间。
[0009]1.2)对于归一化后的某个点坐标(x1,x2,x3)，进行特征映射：构造对应的量子门Z(Rx(x
i
))，其中：i取遍1至3的自然数，在量子机器上可制备初态|000
…
0>，将其中给定的三个量子比特分别通过x1,x2,x3对应的量子门即完成了量子态的准备。
[0010]所述的归一化过程包括但不限于将点坐标均值归零、方差归一等方法。
[0011]步骤2)将量子态输入PointNet机器学习模型，即量子隐式场学习器(QIFL，Quantum Implicit Field Learner)中，并测量得到各量子态的概率分布，即将点云网络中的逐点运算抽象为生成隐式场。
[0012]所述的隐式场是指：通过空间函数表示的三维机器视觉场。
[0013]所述的量子隐式场学习器使用量子张量网络(张量网络在希尔伯特空间时的应用)对生成隐式场的过程进行层次化分解，即采用张量网络分解为可调参数单量子比特门构成的层次和固定全局纠缠结构层次。实现方式可采用但不限于量子线路或伊辛机。
[0014]优选地，将若干已知场景的物体及其类别标注作为训练集，根据Nesterov加速(Nesterov Y.E.A method for solving the convex programming problem with convergence rate o(1/k^2).In Dokl.akad.nauk Sssr,volume 269,pages 543
–
547,1983)的投影梯度估计方法对量子隐式场学习器进行训练以优化模型参数，将梯度投影到
某个随机产生的标准正交基底上，对其作有限差分近似，并使用对Nesterov加速梯度进行微扰得到的向量作为标准正交基底的第一组，具体步骤包括：
[0015]①
对Nesterov加速梯度进行微扰得到的向量作为标准正交基底的第一组，随后产生k个随机的向量。
[0016]②
使用施密特正交化算法对上述基底进行标准正交化。
[0017]③
在当前参数下评估目标损失函数的值，并在上述基底上进行有限差分投影，得到梯度的估计值。
[0018]所述的训练，优选采用Nesterov加速梯度附加动量截断作为更新规则。
[0019]步骤3)对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并输入神经网络分类器进行分类，可得到分类结果，实现物体识别。
[0020]所述的带整流最大值池化操作为：对于整个点云取每个量子态上所得概率最大值得到池化结果，随后进行整流。
[0021]所述的整流是指：对阈值以下的概率测量值作平方后，再针对上述池化结果作一次全局的归一化。
[0022]所述的阈值可随所需噪声容限和分类判别的敏感性要求进行调整，噪声容限越大、分类判别敏感性要求越低，设置的阈值越高。通常情况下可使用默认值0.15。
[0023]所述的神经网络分类器为：由一层或多层卷积层和全连接层构成的多层感知机，其接受上述的点云全局特征向量，预测物体属于各个目标类别的概率。技术效果
[0024]与现有技术相比，本专利技术通过量子线路计算可以大幅提高处理LiDAR点云的效率，能够以48倍更少的算术操作达到了相同的分类准确率。
附图说明
[0025]图1为PointNet与量子PointNet的结构对比示意图；
[0026]图2为量子PointNet的模型架构示意图；
[0027]图3为量子隐式场学习器的实施例示意图；
[0028]图4为实施例在训练过程中，训练集和测试集上准确率的趋势图线。
具体实施方式
[0029]如图2所示，为本实施例涉及一种基于8量子比特量子计算机的点云分类模型，其使用量子计算资源大大加速了点云的分类过程。
[0030]本实施例涉及一种基于量子计算线路和LiDAR点云分类的物体识别方法，包括以下步骤：
[0031]步骤1)将无人驾驶车载LiDAR传感器采集到的点坐标组成的点云网络，通过特征映射转化为量子态。
[0032]如图1和图3所示，步骤2)将量子态输入PointNet机器学习模型，即量子隐式场学习器中，并测量得到各量子态的概率分布，即将点云网络中的逐点运算抽象为生成隐式场。
[0033]本实施例中，所述的量子隐式场学习器采用基于超导的量子线路对生成隐式场的过程进行层次化分解，得到可调参数单量子比特门构成的层次和固定全局纠缠结构层次。
[0034]所述的可调参数单量子比特门构成的层次，在量子线路中由一系列参数化的U3门实现，其中：λ为量子态的相移，φ和θ分别为绕y与x轴的旋转角。
[0035]所述的固定全局纠缠结构层次，在量子线路中由一个量子纠缠映射实现。所述的量子纠缠映射由首尾相接的CNOT门构成，其依次作用于相邻的两个量子比特上，对量子态的操作由矩阵确定。
[0036]优选地，将若干已知场景的物体及其类别标注作为训练集，在训练集上根据Nesterov加速的投影梯度估计方法对量子隐式场学习器进行训练以优化模型参数，即采用交叉熵作为损失函数，使用前述Nesterov加速的投影梯度估计方法进行训练。
[0037]步骤3)对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并进行分类预测操作。
[0038]所述的整流操作是指：其中：Rec
N
(p)＝(Rec(p)-mean(Rec(p)))/std(Rec(p))，mean和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于量子计算线路和LiDAR点云分类的物体识别方法，其特征在于，采用LiDAR传感器扫描自动驾驶车辆待识别的物体并得到该物体点云坐标组成的点云网络，通过特征映射转化为量子态后输入量子隐式场学习器，将点云网络中的逐点运算抽象为生成隐式场，最后对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并输入神经网络分类器进行分类，得到分类结果，实现物体识别。2.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的转化具体包括：1.1)将点云进行归一化处理，将点坐标最值缩放至[-1,1]区间；1.2)对于归一化后的某个点坐标(x1,x2,x3)，进行特征映射：构造对应的量子门Z(Rx(x
i
))，其中：i取遍1至3的自然数，在量子机器上可制备初态|000
…
0>，将其中给定的三个量子比特分别通过x1,x2,x3对应的量子门即完成了量子态的准备。3.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的隐式场是指：通过空间函数表示的三维机器视觉场。4.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的量子隐式场学习器使用量子张量网络对生成隐式场的过程进行层次化分解，即采用张量网络分解为可调参数单量子比特门构成的层次和固定全局纠缠结构层次；实现方式可采用但不限于量子线路或伊辛机。5.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的带整流最大值池化操作为：对于整个点云取每...

【专利技术属性】
技术研发人员：时若曦，唐豪，金贤敏，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：