本发明专利技术公开了一种3D点云目标的检测方法和装置。其中，该方法包括：在自动驾驶车辆行驶过程中，获取行驶道路的三维点云数据，其中，自动驾驶车辆安装有低功耗嵌入式平台，并通过安装的激光雷达传感器采集得到行驶道路的三维点云数据；将行驶道路的三维点云数据输入至3D点云目标检测模型的优化模型，识别出位于行驶道路所在的区域范围内的至少一种目标信息；其中，3D点云目标检测模型的优化模型为运行在低功耗嵌入式平台上的模型。本发明专利技术解决了3D目标检测模型使用范围小的技术问题。检测模型使用范围小的技术问题。检测模型使用范围小的技术问题。
【技术实现步骤摘要】
3D点云目标的检测方法和装置
[0001]本专利技术涉及车辆领域，具体而言，涉及一种3D点云目标的检测方法和装置。
技术介绍
[0002]目前，为了满足环境感知的需求，自动驾驶汽车往往装备了激光雷达传感器，获取道路实时三维点云数据，利用该设备可以将点云数据输入3D点云目标检测算法，基于深度学习的3D点云目标检测算法实现端到端的感知功能，从而得到周围环境的多种目标信息，为自动驾驶车辆的环境感知提供准确信息。
[0003]在基于激光雷达传感器自动驾驶方案中，图形处理器等通用芯片方案仍然占据主流地位。可是，图形处理器虽然通用性强、速度快、效率高，但功耗也高，因此并不适合在自动驾驶车辆使用，因而，产生了专为自动驾驶打造的人工智能处理器。为自动驾驶打造的人工智能处理器虽然能够做到高算力、高性能、低功耗，但是该处理器设计结构复杂，对模型的可迁移性提出了较高要求，即使目前研究领域已出现很多高精度3D目标检测模型，但是受限于算力，可移植性和精度等因素，往往不能在自动驾驶车辆上得到大规模使用，从而导致存在3D目标检测模型使用范围小的技术问题。
[0004]针对上述现有技术存在3D目标检测模型使用范围小的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本专利技术实施例提供了一种3D点云目标的检测方法和装置，以至少解决3D目标检测模型使用范围小的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种3D点云目标的检测方法，包括：获取3D点云目标检测模型的原始模型；通过裁剪原始模型，得到主干网络模型；结合轻量化的点云特征，对主干网络模型进行预处理，生成目标模型；基于原始模型的检测误差和目标模型的检测误差，生成目标模型的总体误差。
[0007]可选地，在基于目标控制数据控制目标车辆制动时，方法还包括：采用剪枝算法对原始模型中的重量级主干网络部分进行裁剪，得到主干网络模型，其中，主干网络模型为目标模型中的轻量级主干网络。
[0008]可选地，基于预设的损失函数对原始模型进行多轮迭代训练，在经过多轮迭代训练后的原始模型的模型精度达到目标精度值时，生成优化后的原始模型，其中，损失函数为基于随机梯度下降算法的函数。
[0009]可选地，在将行驶道路的三维点云数据输入3D点云目标检测模型的优化模型之前，方法还包括：对原始模型进行多轮迭代训练之后，如果目标模型的总体误差下降到目标值，验证原始模型的模型精度；如果模型精度达到目标精度值时，确定目标模型的精度同样达到目标精度值；对到达目标精度值得目标模型进行定点压缩，生成3D点云目标检测模型的优化模型。
[0010]可选地，基于原始模型的检测误差和所述目标模型的检测误差，生成目标模型的总体误差，包括：获取原始模型检测误差L
teacher
，其中，L
teacher
＝L
reg
+λL
cls
，L
reg
为检测框回归值和标注信息的误差，L
cls
为检测框分类值和标注信息的误差，λ表征原始模型检测分支的权重；获取目标模型的检测误差L
student
，其中，L
student
＝L
reg
+λ1L
cls
，L
reg
为检测框回归值和标注信息的误差，L
cls
为检测框分类值和标注信息的误差，λ1表征目标模型分支的权重；将原始模型和目标模型的分类特征图分别经过激活层，计算得到均方根误差L
hm
；将原始模型和目标模型的尺寸和中心点的检测头，计算得到两个模型的误差绝对值L
wlh
和L
xyz
；基于均方根误差将原始模型和目标模型的误差绝对值L
wlh
和L
xyz
，生成两个模型之间的蒸馏误差L
kd
＝L
hm
+λ2L
xyz
+λ3L
wlh
；在对原始模型进行多轮迭代训练的过程中，基于蒸馏误差，同步对目标模型进行多轮迭代训练，得到目标模型的总体误差，其中，直到目标模型的总体误差下降到目标值时，如果模型精度达到目标精度值时，确定目标模型的精度同样达到目标精度值。
[0011]根据本专利技术实施例的另一方面，还提供了一种3D点云目标的检测装置，包括：第一获取模块，用于在自动驾驶车辆行驶过程中，获取行驶道路的三维点云数据，其中，自动驾驶车辆安装有低功耗嵌入式平台，并通过安装的激光雷达传感器采集得到行驶道路的三维点云数据；识别模块，用于将行驶道路的三维点云数据输入3D点云目标检测模型的优化模型，识别出位于行驶道路所在的区域范围内的至少一种目标信息；其中，3D点云目标检测模型的优化模型为运行在低功耗嵌入式平台上的模型。
[0012]可选地，该装置还包括：第二获取模块，用于获取3D点云目标检测模型的原始模型；裁剪模块，用于通过裁剪原始模型，得到主干网络模型；预处理模块，用于结合轻量化的点云特征，对主干网络模型进行预处理，生成目标模型；生成模块，用于基于原始模型的检测误差和目标模型的检测误差，生成目标模型的总体误差。
[0013]可选地，裁剪模块包括：子裁剪模块，用于采用剪枝算法对原始模型中的重量级主干网络部分进行裁剪，得到主干网络模型，其中，主干网络模型为目标模型中的轻量级主干网络。
[0014]可选地，该装置还包括：训练模块，用于基于预设的损失函数对原始模型进行多轮迭代训练，在经过多轮迭代训练后的原始模型的模型精度达到目标精度值时，生成优化后的原始模型，其中，损失函数为基于随机梯度下降算法的函数。
[0015]根据本专利技术实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行本专利技术实施例的3D点云目标的检测方法。
[0016]根据本专利技术实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本专利技术实施例的3D点云目标的检测方法。
[0017]在本专利技术实施例中，在自动驾驶车辆行驶过程中，获取行驶道路的三维点云数据，其中，自动驾驶车辆安装有低功耗嵌入式平台，并通过安装的激光雷达传感器采集得到行驶道路的三维点云数据；将行驶道路的三维点云数据输入至3D点云目标检测模型的优化模型，识别出位于行驶道路所在的区域范围内的至少一种目标信息；其中，3D点云目标检测模型的优化模型为运行在低功耗嵌入式平台上的模型。也就是说，本申请基于低功耗嵌入式平台，在自动驾驶车辆行驶过程中，通过安装的激光雷达传感器采集得到行驶道路的三维点云数据，通过将行驶道路的三维点云数据输入至低功耗嵌入式平台上的3D点云目标检测
模型的优化模型，从而识别出位于行驶道路所在的区域范围内的至少一种目标信息，进而实现了扩大3D目标检测模型使用范围的技术效果，解决了3D目标检测模型使用范围小的技术问题。
本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种3D点云目标的检测方法，其特征在于，应用于自动驾驶车辆，该方法包括：在自动驾驶车辆行驶过程中，获取行驶道路的三维点云数据，其中，所述自动驾驶车辆安装有低功耗嵌入式平台，并通过安装的激光雷达传感器采集得到所述行驶道路的三维点云数据；将所述行驶道路的三维点云数据输入至3D点云目标检测模型的优化模型，识别出位于所述行驶道路所在的区域范围内的至少一种目标信息；其中，所述3D点云目标检测模型的优化模型为运行在所述低功耗嵌入式平台上的模型。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取3D点云目标检测模型的原始模型；通过裁剪所述原始模型，得到主干网络模型；结合轻量化的点云特征，对所述主干网络模型进行预处理，生成目标模型；基于所述原始模型的检测误差和所述目标模型的检测误差，生成所述目标模型的总体误差。3.根据权利要求2所述的方法，其特征在于，采用剪枝算法对所述原始模型中的重量级主干网络部分进行裁剪，得到所述主干网络模型，其中，所述主干网络模型为所述目标模型中的轻量级主干网络。4.根据权利要求2所述的方法，其特征在于，基于预设的损失函数对所述原始模型进行多轮迭代训练，在经过所述多轮迭代训练后的所述原始模型的模型精度达到目标精度值时，生成优化后的所述原始模型，其中，所述损失函数为基于随机梯度下降算法的函数。5.根据权利要求2
‑
4中任意一项所述的方法，其特征在于，在将所述行驶道路的三维点云数据输入值所述3D点云目标检测模型的优化模型之前，所述方法还包括：对所述原始模型进行多轮迭代训练之后，如果所述目标模型的总体误差下降到目标值，验证所述原始模型的模型精度；如果所述模型精度达到目标精度值时，确定所述目标模型的精度同样达到所述目标精度值；对到达所述目标精度值得所述目标模型进行定点压缩，生成所述3D点云目标检测模型的优化模型。6.根据权利要求5所述的方法，其特征在于，基于所述原始模型的检测误差和所述目标模型的检测误差，生成所述目标模型的总体误差，包括：获取所述原始模型检测误差L
teacher
，其中，所述L
teacher
＝L
reg
+λL
cls
，L
reg
为检测框回归值和标注信息的误差，L
cls
为检测框分类值和标注信息的误差，λ表征所述原始模型检测分支的权重；获取所述目标模型的检测误差L
student
，其中，所述L
student
＝L
reg
+λ1L
cls
，L
reg
...
【专利技术属性】
技术研发人员：郭昌野，王宇，耿真，
申请(专利权)人：中国第一汽车股份有限公司，
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。