【技术实现步骤摘要】
训练学生神经网络以基于数据来检测对象的系统和方法
[0001]本公开内容涉及用于训练神经网络以使用激光雷达传感器和雷达传感器执行对象检测的系统和方法。
技术介绍
[0002]自动和半自动车辆使用光检测和测距(激光雷达)传感器或雷达传感器来检测车辆周围的环境中的对象并执行定位例程诸如驾驶员辅助例程、自适应巡航控制例程、制动例程和/或对象检测例程。然而,与激光雷达传感器相比,雷达传感器可能提供较低的数据分辨率,从而抑制了定位例程的准确性。此外,尽管与雷达传感器相比,激光雷达传感器具有较高的分辨率,但是当使用激光雷达传感器时,不利的天气条件仍抑制定位例程的准确性。具体地,激光雷达光束可以折射离开由例如雾、雨和/或雪形成的液滴。
技术实现思路
[0003]本公开内容提供了用于训练学生神经网络以基于从一个或更多个雷达传感器获得的雷达数据和从一个或更多个激光雷达传感器获得的激光雷达数据来检测一个或更多个对象的方法。该方法包括:基于雷达数据生成基于雷达的强度图,以及基于激光雷达数据生成基于激光雷达的强度图;对基于雷达的强度图和基于激光雷达的强度图执行一个或更多个增强例程以生成雷达输入和激光雷达输入;使用教师神经网络基于雷达输入和激光雷达输入生成多个基于教师的边界框;以及使用学生神经网络基于雷达输入和激光雷达输入生成多个基于学生的边界框。该方法包括:基于多个基于教师的边界框和多个真实边界框确定多个基于学生的边界框的损失值;基于损失值更新学生神经网络的一个或更多个权重;以及基于与学生神经网络的一个或更多个权重相关联的移 ...
【技术保护点】
【技术特征摘要】
1.一种用于训练学生神经网络以基于从一个或更多个雷达传感器获得的雷达数据和从一个或更多个激光雷达传感器获得的激光雷达数据来检测一个或更多个对象的方法,所述方法包括:基于所述雷达数据生成基于雷达的强度图,以及基于所述激光雷达数据生成基于激光雷达的强度图;对所述基于雷达的强度图和所述基于激光雷达的强度图执行一个或更多个增强例程以生成雷达输入和激光雷达输入;使用教师神经网络基于所述雷达输入和所述激光雷达输入生成多个基于教师的边界框;使用所述学生神经网络基于所述雷达输入和所述激光雷达输入生成多个基于学生的边界框;基于所述多个基于教师的边界框和多个真实边界框确定所述多个基于学生的边界框的损失值;基于所述损失值更新所述学生神经网络的一个或更多个权重;以及基于与所述学生神经网络的一个或更多个权重相关联的移动平均来更新所述教师神经网络的一个或更多个权重。2.根据权利要求1所述的方法,其中对所述基于雷达的强度图和所述基于激光雷达的强度图执行所述一个或更多个增强例程以生成所述雷达输入和所述激光雷达输入还包括:对所述基于雷达的强度图执行第一增强例程以生成所述雷达输入;对所述基于激光雷达的强度图执行所述第一增强例程以生成增强的激光雷达输入;以及对所述增强的激光雷达输入执行第二增强例程以生成所述激光雷达输入。3.根据权利要求2所述的方法,其中所述第一增强例程是平移例程、旋转例程、缩放例程、翻转例程或它们的组合。4.根据权利要求2所述的方法,其中所述第二增强例程是噪声增强例程。5.根据权利要求1所述的方法,其中使用所述教师神经网络基于所述雷达输入和所述激光雷达输入生成所述多个基于教师的边界框还包括:基于所述雷达输入提取一个或更多个基于雷达的特征,以及基于所述激光雷达输入提取一个或更多个基于激光雷达的特征;基于所述一个或更多个基于雷达的特征生成多个基于雷达的建议的边界框,以及基于所述一个或更多个基于激光雷达的特征生成多个基于激光雷达的建议的边界框;连结所述多个基于雷达的建议的边界框和所述多个基于激光雷达的建议的边界框以生成张量;以及对所述张量执行回归例程以生成所述多个基于教师的边界框。6.根据权利要求5所述的方法,其中所述多个基于雷达的建议的边界框和所述多个基于激光雷达的建议的边界框在预定
义的时间段内被连结。7.根据权利要求1所述的方法,其中使用所述学生神经网络基于所述雷达输入和所述激光雷达输入生成所述多个基于学生的边界框还包括:基于所述雷达输入提取一个或更多个基于雷达的特征,以及基于所述激光雷达输入提取一个或更多个基于激光雷达的特征;基于所述一个或更多个基于雷达的特征生成多个基于雷达的建议的边界框,以及基于所述一个或更多个基于激光雷达的特征生成多个基于激光雷达的建议的边界框;连结所述多个基于雷达的建议的边界框和所述多个基于激光雷达的建议的边界框以生成张量;以及对所述张量执行回归例程以生成所述多个基于学生的边界框。8.根据权利要求7所述的方法,其中所述多个基于雷达的建议的边界框和所述多个基于激光雷达的建议的边界框在预定义的时间段内被连结。9.根据权利要求1所述的方法,其中与所述学生神经网络的一个或更多个权重相关联的所述移动平均是指数移动平均。10.根据权利要求1所述的方法,还包括响应于所述损失值小于阈值,确定所述学生神经网络被训练。11.一种训练学生神经网络以基于从一个或更多个雷达传感器获得的雷达数据和从一个或更多个激光雷达传感器获得的激光雷达数据来检测一个或更多个对象的系统,所述系统包括:一个或更多个处理器、以及存储能够由所述一个或更多个处理器执行的指令的一个或更多个非暂态计算机可读介质,其中,所述指令包括:基于所述雷达数据生成基于雷达的强度图,以及基于所述激光雷达数据生成基于激光雷达的强度图;对所述基于雷达的强度图和所述基于激光雷达的强度图执行一个或更多个增强例程以生成雷达输入和激光雷达输入;使用教师神经网络基于所述雷达输入和所述激光雷达输入生成多个基于教师的边界框;使用所述学生神经网络基于所述雷达输入和所述激光雷达输入生成多个基于学生的边界框;基于所述多个基于教师的边界框和多个真实边界框确定所述多个基于学生的边界框的损失值;基于所述损失值更新所述学生神经网络的一个或更多个权重;基于与所述学生神经网络的一个或更多个权重相关联的指数移动平均来更新所述教师神经网络的一个或更多个权重;以及响应于所述损失值小于阈值,确定所述学生神经网络被训练。12.根据权利要求11所述的系统,其中
用于...
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。