【技术实现步骤摘要】
基于自注意力机制的4D毫米波三维目标检测方法及系统
[0001]本专利技术涉及自动驾驶领域,具体涉及基于自注意力机制的4D毫米波三维目标检测方法及系统。
技术介绍
[0002]3D目标检测是自主驾驶感知系统中最具挑战性的问题之一,主要的传感器有RGB摄像头、激光雷达和毫米波雷达。传统相机可以显示较为细致的环境信息,拥有色彩信息和明显的物体轮廓,在目标检测中可以达到比较高的识别精度,但是缺少目标的深度信息,且检测结果易受环境光照变化影响;激光雷达(LiDAR)有较好的分辨率,可以较为准确地进行短距离物体测距,但其受天气影响较为严重,尤其能见度低的雨雪天气,探测精度迅速降低,因此在应对极端驾驶场景时具有一定局限性。毫米波雷达(RaDAR)恰好补足了激光雷达的劣势,毫米波在应对极端恶劣天气也具有良好的鲁棒性,探测精度不会因天气的变化而急速下降,同时价格较激光雷达更低,体积更加小巧轻盈,在自动驾驶车辆的传感器配置中具有较高性价比。
[0003]为了满足深度学习网络的输入格式,雷达数据被划分为网格或转换为鸟瞰图。然而,由于3D毫米波雷达数据没有垂直方向的信息,同时加上毫米波雷达点云的稀疏性,使得其在数据处理上具有一定挑战。而4D毫米波雷达具有一定的垂直方向分辨率,可以获得空间的点云信息。工业界和科学界都在积极使用4D毫米波雷达传感器提供物体的三维坐标,从而提升3D目标检测的精度和效果。4D毫米波雷达可以在极端的天气下工作,并且比传统的3D毫米波雷达具有更好的性能,可以全天候、全天时工作,可实现远距离感知与探测。以16线 ...
【技术保护点】
【技术特征摘要】
1.一种基于自注意力机制的4D毫米波三维目标检测方法,所述方法包括:实时采集4D毫米波雷达点云数据并进行预处理;将预处理后的4D毫米波雷达点云数据输入预先训练好的三维目标检测模型,输出目标检测结果;所述三维目标检测模型包括:鸟瞰视图体素化模块、立柱自注意力特征提取模块、CNN主干网络和PRN检测头;所述鸟瞰视图体素化模块,用于对4D毫米波雷达点云数据在鸟瞰图视角进行体素化操作,提取整个空间的特征信息F;所述立柱自注意力特征提取模块,用于利用特征信息F,基于自注意力机制提取点云全局特征,生成一个BEV伪图像;所述CNN主干网络,用于对BEV伪图像进行特征提取,输出特征图;所述PRN检测头,用于对特征图进行目标检测,输出三维目标检测结果。2.根据权利要求1所述的基于自注意力机制的4D毫米波三维目标检测方法,其特征在于,所述鸟瞰视图体素化模块的具体实现过程为:对4D毫米波雷达点云数据进行映射,投影到水平坐标平面;在水平坐标平面划分出的网格设立立柱,每个立柱内都存在点云数据点;每个点云数据点包含4个维度,即x、y、z、r;其中,前三个代表坐标系的三个方向,r代表物体的反射强度。3.根据权利要求1所述的基于自注意力机制的4D毫米波三维目标检测方法,其特征在于,所述立柱自注意力特征提取模块的具体实现过程包括:步骤S1)对输入特征F进行取最大值运算,即找到最能代表立柱的特征,通过全连接层将特征维度扩展到64维:F
64
=Linear(f
max
(F))其中,f
max
()是立柱的最大化运算,Linear()是全连接层;F
64
是64维特征矩阵;步骤S2)将64维特征矩阵F
64
降至16维特征矩阵F
16
:F
16
=Conv(F
64
)其中,Conv()是卷积层;步骤S3)将转置得到的16维特征矩阵与原16维特征矩阵做矩阵乘法运算,之后对运算结果进行归一化,得到注意力权重矩阵F
w
:F
w
=Softmax((F
16
)
T
F
16
)其中,Softmax()表示归一化函数;步骤S4)将注意力权重矩阵F
w
和64维特征矩阵F
64
阵相乘,然后减去F
64
,经过线性层、归一化层和激活函数后得到全局信息特征F
t
:F
t
=ReLU(BN(LN(F
w
F
64
‑
F
64
)))其中,BN()和Relu()表示批量归一化层和激活函数;步骤S5)将全局信息特征F
t
与64维特征矩阵F
64
相加,得到最终的区域内点云特征矩阵F
out
:F
out
=F
t
+F
64
步骤S6)按照输入特征F和区域内点云特征矩阵F
out
的具体位置,将F和F
out
映射到水平坐标平面,形成一个BEV伪图像。
4.根据权利要求1所述的基于自注意力机制的4D毫米波三维目标检测方法,其特征在于,所述方法还包括:对所述三维目标检测模型进行训练的步骤,具体包括:根据KITTI数据集格式对Astyx数据集进行格式转换;对Astyx数据集的4D毫米波雷达点云数据进行旋转压缩处理:其中,x和z是4D毫米波雷达点云数据的源坐标,而x
t
和z
t
是4D毫米波雷达点云数据旋转压缩后的坐标;β=0.1035倍;将旋转压缩处理后的Astyx数据集的4D毫米波雷达点云数据作为训练集,对三维目标检测模型进行训练。5.一种基于自注意力机制的4D毫米波三维目标检测...
【专利技术属性】
技术研发人员:张新钰,王力,李骏,徐保伟,胡晓梅,由智文,李志伟,
申请(专利权)人:清华大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。