神经网络的宽动态脉冲激光测距方法及系统技术方案

本发明专利技术提供一种神经网络的宽动态脉冲激光测距方法及系统，包括以下步骤：S1、激光雷达发射激光信号后，采集回波信号；S2、提取发射和接收波形的特征参数；S3、对特征参数的上升沿和下降沿进行检测，若上升沿和下降沿均检测有效，则脉冲检测成功；S4、对发射信号种子光波形和回波信号波形对应位置求时间差；S5、以飞行时间测距法得出激光雷达与目标之间的距离。本发明专利技术运算量减少，测量精度高，自适应能力强。能够以单通道的ADC采集模块实现宽动态测距。系统的通道数少，电路结构简单，功耗低。训练好的神经网络，能够根据输入的波形特征精确的预测测距结果。测距结果。测距结果。

【技术实现步骤摘要】
神经网络的宽动态脉冲激光测距方法及系统


[0001]本专利技术涉及激光雷达测距方法，特别是一种神经网络的宽动态脉冲激光测距方法及系统。

技术介绍

[0002]脉冲激光测距的基本原理是主动向目标发射脉冲激光，然后探测该目标上被照射点的激光回波，测量发射和接收的脉冲激光的飞行时间，可获得目标到激光雷达测距仪的距离。为了实现宽动态测距，例如从几厘米到几千米，脉冲激光测距通常采用采集自动增益控制技术或多通道放大技术。但是这两种方法都有不足。自动增益控制技术是利用前一时刻的脉冲幅值来控制调整下一时刻的脉冲幅值，无法克服目标距离突变造成的测距失效问题；多通道放大的技术虽然能克服目标距离突变造成的测距失效的问题，但是会引入通道偏差，通道交叠，通道间隙的技术问题。同时通道增多会使测距系统硬件复杂，功耗增加。这两种方法采用高斯拟合的方法对种子光波形和回光波形进行计算，实现时刻鉴别均要求较高的信噪比，且波形不能饱和。中国专利文献CN 110058254 A记载了一种脉冲激光测距回波时刻解算方法、系统及终端，记载了一种全波形分析并进行分类已进行识别的方案，但是该方案类似拟合的计算方案，计算量大，在应对数字点云大规模运算时效率过低。而且在饱和波形的情形下，难以进行全波形分析。CN 110297223 A中记载了基于BP神经网络的脉冲激光回波数目检测的方法，但是缺少具体的算法和参数，难以实现。

技术实现思路

[0003]本专利技术所要解决的技术问题是提供一种神经网络的宽动态脉冲激光测距方法及系统，能够减少计算量，提高测距的准确度。
[0004]本专利技术所要解决的另一技术问题是提供一种神经网络的宽动态脉冲激光测距系统，以单通道ADC采集模块获取宽动态范围的激光测距，减少系统的复杂程度。
[0005]为解决上述的技术问题，本专利技术的技术方案是：一种神经网络的宽动态脉冲激光测距方法，包括以下步骤：
[0006]S1、激光雷达发射激光信号后，采集回波信号；
[0007]S2、提取发射和接收波形的特征参数；
[0008]S3、对特征参数的上升沿和下降沿进行检测，若上升沿和下降沿均检测有效，则脉冲检测成功；
[0009]S4、对发射信号种子光波形和回波信号波形对应位置求时间差；
[0010]S5、以飞行时间测距法得出激光雷达与目标之间的距离。
[0011]优选的方案中，波形特征包括上升沿的结束时刻T
n
，下降沿的开始时刻T
m
；
[0012]上升沿的AD值为Y
n
‑4～Y
n
，下降沿的AD值为Y
m
～Y
m+4
。
[0013]优选的方案在步骤S3中，T
n
采样时刻对应的AD采样值为Y
n
；
[0014]波形特征的上升沿AD值满足Y
n
‑4＜Y
n
‑3＜Y
n
‑2＜Y
n
‑1＜Y
n
和Y
n
≥Y
n+1
时，上升沿检测有
效；波形特征的上升沿AD值满足Y
m
＜Y
m+1
＜Y
m+2
＜Y
m+3
＜Y
m+4
和Y
m
‑1>≥Y
m
时，下降沿检测有效；
[0015]当上升沿检波有效且下降沿检波有效时，波形特征符合，脉冲检测成功。
[0016]优选的，在步骤S3中，波形平坦次数P＝m
‑
m，没有出现波形平坦时P为0。
[0017]优选的，在步骤S3中，在神经网络训练机上对特征波形检测进行训练；
[0018]训练的输入为每次测距的波形特征，输出为本次测距的波形特征对应的激光雷达与实际目标之间的实际距离，多组训练输入和输出组成训练集；
[0019]神经网络结构为级联前向网络，级联前向网络的一个样本由m个输入和n个输出构成，在输入层与输出层之间设有多个隐含层。
[0020]优选的方案中，一个样本由11个输入，2个输出，2个隐含层；
[0021]级联前向网络训练过程分为两个过程：工作信号正向传递子过程和误差信号反向传递子过程，正向传递子过程，设节点i和节点j之间的权值为w
ij
，节点j的阈值为b
j
，每个节点的输出值为x
i
，而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值，当前节点的阈值，激活函数来实现的，其中f为激活函数，选取S型函数或者线性函数，具体计算方法如下：
[0022][0023]x
j
＝f(S
j
)；公式2
[0024]假设输出层的所有结果为d
j
，误差函数如下：
[0025][0026]学习规则通过沿着相对误差平方和的最快下降方向，连续调整网络的权值和阈值，根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有：
[0027][0028]激活函数为：
[0029][0030]对激活函数求导：
[0031][0032]w
ij
为：
[0033][0034]其中：
[0035]δ
ij
＝(d
j
‑
y
j
)
·
f(S
j
)(1
‑
f(S
j
))；公式8
[0036]b
j
为：
[0037][0038]通过上述步骤得出隐含层和输出层之间的权值和输出层的阈值计算调整量。Δw(i,j)：权值修正量；
[0039]η：学习率；
[0040]f(S
j
)：激活函数；
[0041]δ
ij
：学习规则参数；
[0042]优选的方案中，对输入层和隐含层的阈值调整量的计算如下：
[0043]假设w
ki
是输入层第k个节点和隐含层第i个节点之间的权值，则：
[0044][0045]δ
ij
＝(d
j
‑
y
j
)
·
f(S
j
)(1
‑
f(S
j
))；公式11
[0046]根据梯度下降法，对隐含层和输出层之间的权值和阈值调整如下：
[0047][0048]对于输入层和隐含层之间的权值和阈值调整如下：
[0049][0050]每次测距流程对应的种子光波形参数和返回波信号波形参数组成二维向量或一维向量数据，作为神经网络的输入，对应的实际距离作为神经网络的输出。
[0051本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络的宽动态脉冲激光测距方法，其特征是包括以下步骤：S1、激光雷达发射激光信号后，采集回波信号；S2、提取发射和接收波形的特征参数；S3、对特征参数的上升沿和下降沿进行检测，若上升沿和下降沿均检测有效，则脉冲检测成功；S4、对发射信号种子光波形和回波信号波形对应位置求时间差；S5、以飞行时间测距法得出激光雷达与目标之间的距离。2.根据权利要求1所述的神经网络的宽动态脉冲激光测距方法，其特征是：步骤S2中，波形特征包括上升沿的结束时刻Tn，下降沿的开始时刻Tm；上升沿的AD值为Y
n
‑4～Y
n
，下降沿的AD值为Y
m
～Y
m+4
。3.根据权利要求2所述的神经网络的宽动态脉冲激光测距方法，其特征是：步骤S3中，T
n
采样时刻对应的AD采样值为Y
n
；波形特征的采样时刻满足Y
n
‑4＜Y
n
‑3＜Y
n
‑2＜Y
n
‑1＜Y
n
和Y
n
≥Y
n+1
时，上升沿检测有效；波形特征的采样时刻满足Y
m
＜Y
m+1
＜Y
m+2
＜Y
m+3
＜Y
m+4
和Y
m
‑1>≥Y
m
时，下降沿检测有效；当上升沿检波有效且下降沿检波有效时，波形特征符合，脉冲检测成功。4.根据权利要求2所述的神经网络的宽动态脉冲激光测距方法，其特征是：步骤S3中，波形平坦次数P＝m
‑
m，没有出现波形平坦时P为0。5.根据权利要求1～4任一项所述的神经网络的宽动态脉冲激光测距方法，其特征是：步骤S3中，在神经网络训练机上对特征波形检测进行训练；训练的输入为每次测距的波形特征，输出为本次测距的波形特征对应的激光雷达与实际目标之间的实际距离，多组训练输入和输出组成训练集；神经网络结构为级联前向网络，级联前向网络的一个样本由m个输入和n个输出构成，在输入层与输出层之间设有多个隐含层。6.根据权利要求5所述的神经网络的宽动态脉冲激光测距方法，其特征是：一个样本由11个输入，2个输出，2个隐含层；级联前向网络训练过程分为两个过程：工作信号正向传递子过程和误差信号反向传递子过程，正向传递子过程，设节点i和节点j之间的权值为w
ij
，节点j的阈值为b
j
，每个节点的输出值为x
i
，而每个节点的输出值是根据上层所有节点的输出值、当前节点与上一层所有节点的权值，当前节点的阈值，激活函数来实现的，其中f为激活函数，选取S型函数或者线性函数，具体计算方法如下：x
j
＝f(S
j
)； 公式2假设输出层的所有结果为d
j
，误差函数如下：学习规则通过沿着相对误差平方和的最快下降方向，连续调整网络的权值和阈值，根据梯度下降法，权值矢量的修正正比于当前位置上E(w,b)的梯度，对于第j个输出节点有：
激活函数为：对激活函数求导：w
ij
为：其中：δ
ij
＝(d
j
‑
y
j
)
·
f(S
j
)(1
‑
f(S
j

【专利技术属性】
技术研发人员：黄泰来，
申请(专利权)人：武汉象印科技有限责任公司，
类型：发明
国别省市：