一种面向非结构化道路的点云目标检测方法技术

本发明专利技术涉及自动驾驶，车辆感知技术领域，提供了一种面向非结构化道路的点云目标检测方法。该方法包括：输入原始点云，并对原始点云进行数据增强；进行体素化表征，获得体素化表征后的数据；通过全连接层增加原始点云点特征维度；根据体素特征通过最大值操作形成伪图像；伪图像经过不确定性估计与注意力机制表征模块到达输出层；根据不确定性建模，将网络输入输出使用分布的形式进行表征，达到对数据噪声衡量的目的。本发明专利技术既保留了精度，也提升了运算速度，避免了较多的空间位置信息的损失，减少噪声干扰，提高非结构化道路的点云目标检测能力。测能力。测能力。

【技术实现步骤摘要】
一种面向非结构化道路的点云目标检测方法


[0001]本专利技术涉及自动驾驶，车辆感知
，尤其涉及一种面向非结构化道路的点云目标检测方法。

技术介绍

[0002]无人驾驶既是智能交通的重要组成部分，同时也是智能机器人领域的研究热点，根据无人驾驶车辆的工作环境，将无人驾驶工作道路分为结构化道路和非结构化道路，非结构化道路的道路情况复杂多变，具有不规则性等特点。激光雷达有着探测距离远，丰富的三维信息，且不受光照影响等特点，其能够为环境恶劣的非结构化道路提供强有力的支撑。在人工智能领域，三维物体检测越来越受到学者的关注，该技术在自动驾驶，虚拟现实等方面发挥着重要作用，深度学习点云目标检测的方式，通常可以分为三类，基于原始点云进行特征提取，基于体素信息进行特征提取，基于图像投影进行特征提取的3D目标检测算法。
[0003]基于原始点云进行特征提取的3D目标检测算法，其源于Qi C R等提出的PointNet与PointNet++网络。在3D目标检测领域取得了巨大的成功，并且越来越多的三维目标检测方法通过借用PointNet与PointNet本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向非结构化道路的点云目标检测方法，其特征在于，包括：S1输入原始点云，并对所述原始点云进行数据增强；S2将所述数据增强后的数据进行体素化表征，获得体素化表征后的数据；S3基于体素化表征后的数据，通过全连接层增加点云点特征维度；S4基于步骤S3获得的点云点特征维度，根据体素特征通过最大值操作形成伪图像；S5所述伪图像经过不确定性估计与注意力机制表征模块到达输出层；S6根据不确定性建模，使用假设密度滤波估计(ADF)对将网络层输入数据和输出数据进行分布形式表征，利用贝叶斯理论与全概率公式建立神经网络模型，达到对数据噪声衡量的目的。2.根据权利要求1所述的点云目标检测方法，其特征在于，所述S1包括：S11将神经网络模型的训练数据集中所有障碍物的3D框和所述障碍物的3D框内部的障碍物的原始点云取出，形成障碍物数据库；S12在使用训练样本时，从所述障碍物数据库中随机选取设定数量的数据，并对数据进行旋转，平移，添加随机噪声后加入当前训练样本，并将所述训练样本作为神经网络模型的数据输入。3.根据权利要求1所述的点云目标检测方法，其特征在于，所述S2包括：S21将数据增强后的点云在xoy平面进行划分，形成大小固定的网格；S22每一个所述网格在z轴方向选取固定长度形成体素，将点云中的所有点划分至各体素中。4.根据权利要求1所述的点云目标检测方法，其特征在于，所述S3包括：基于体素化表征后的数据，将包含9维度特征的点云数据输入全连接层，获得具有64个特征维度的点云特征。5.根据权利要求4所述的点云目标检测方法，其特征在于，所述S4包括：基于步骤S3获得的点云点特征维度，对每一个体素中的所有点进行遍历，找出一个特征值最大的点，将该点作为该体素的表征，并形成伪图像。6.根据权利要求1所述的点云目标检测方法，其特征在于，所述S5包括：S51将所述伪图像进行等距离划分，形成网格，并进行平铺，获得平铺后的数据；S52对所述平铺后的数据使用卷积操作形成高维度的特征信息；S53将所述高维度的特征信息与带自学习能力的类别编码进行拼接；S54将所述拼接的结果与带自学习能力的位置编码求和，并输入编码器；S55将编码器输出的第一维度信息输入至输出层；S56所述输出层使用全连接网络与softmax操作形成带不确定性估计的感知结果。7.根据权利要求6所述的点云目标检测方法，其特征在于，所述S56包括：所述输出层采用全连接网络降低特征维度，采用softmax函数进行归一化，输出障碍物的类别可能性；所述输出层采用不确定性估计建模的结果，输出数据不确定性与模型不确定性。8.根据权利要求1所述的点云目标检测方法，其特征在于，所述S6包括：通过密度假设滤...

【专利技术属性】
技术研发人员：周彬，刘润森，王章宇，余贵珍，李华志，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：