一种路端雷达的部署方法、电子设备及介质技术

本发明专利技术公开一种路端雷达的部署方法，其首先获取可行的雷达位置集合，并在该雷达位置集合中的任一位置部署一个雷达，计算场景的感知能力，然后从该雷达位置集合中继续逐个确定雷达的部署位置，使得部署第N个雷达后，场景的感知能力相较于仅设置N

【技术实现步骤摘要】
一种路端雷达的部署方法、电子设备及介质


[0001]本专利技术涉及自动驾驶
，特别涉及一种路端雷达的部署方法、电子设备及介质。

技术介绍

[0002]激光雷达在车路协同感知研究领域中发挥着关键作用，不佳的部署方案会严重限制激光雷达的感知性能。现有的车路协同场景下的激光雷达部署方案中多通过手动调整激光雷达以让探测范围覆盖感兴趣区域。具体而言，是通过手动调整的方式形成多个部署方案，并分别采集激光雷达数据，然后使用相同点云感知模型，对比获取感知模型表现最优的方案。这种方法一方面通常用于解决车载激光雷达部署优化问题，而并不适用于车路协同场景下的激光雷达部署，另一方面，这种方法效率相对较低，且无法控制真实场景下车流状态一致，欠缺对比的公平性。此外，这类的激光雷达部署方法仅对雷达放置方案进行评估，而不能直接优化雷达传感器的位置，且现有的雷达部署评估方案中多基于空间占用概率进行对方案进行评估，而不能直接与检测模型获得的平均精度相关联。
[0003]为了解决车流状态不一致的问题，有一些技术方案提出了使用自动驾驶仿真框架进行激光雷达部署场景模拟的方法，进而保证不同的部署方案下的车流状态一致，并在针对不同部署方案进行“模型训练
‑
数据仿真
‑
感知性能评估”这一评测流程，但是这类技术方案并未解决评测流程冗长的问题，其评测效率仍然不高。另外，还有一些技术方案提出使用激光雷达探测盲区大小、感知区域激光雷达点云密度两个替代性评价指标，去替代“模型训练
‑
数据仿真
‑r/>感知性能评测”以提升方案寻优的效率。但是这些替代性评价指标仅考虑激光雷达探测盲区大小、感知区域激光雷达点云密度两个方面，无法完全代替感知性能这一方案评测指标。

技术实现思路

[0004]针对现有技术中的部分或全部问题，本专利技术的第一方面提供一种路端雷达的部署方法，包括：
[0005]获取可行的雷达位置集合；
[0006]选取所述雷达位置集合中的任一位置部署一个雷达，并计算场景的感知能力；以及
[0007]从所述雷达位置集合中逐个确定雷达的部署位置，其中第N个雷达的部署位置使得所述场景的感知能力相较于仅设置N
‑
1个雷达时的感知能力增益最大，其中N为大于1的自然数。
[0008]进一步地，计算场景的感知能力包括：
[0009]通过感知预测模块，根据去除车流后的点云计算得到场景的感知能力图；以及
[0010]将感知能力图中的数值进行求和，得到感知能力。
[0011]进一步地，所述感知预测模块通过带标签的训练集训练得到。
[0012]进一步地，所述感知预测模块的训练包括：
[0013]通过预训练的3D检测模块对所述带标签的训练集点云进行车辆的检测，得到置信度图；
[0014]采用指定阈值过滤所述置信度图；以及
[0015]移除所述带标签的训练集中的车流，输入至所述感知预测模块，得到感知能力图，并基于过滤后的置信度图监督所述感知能力图。
[0016]进一步地，所述感知预测模块的训练还包括：
[0017]计算感知能力图里每一个元素与其相邻元素的值的差，得到平滑损失；以及
[0018]基于所述平滑损失优化所述感知能力图。
[0019]进一步地，监督所述感知能力图包括：
[0020]采用L1损失在置信度图大于所述指定阈值的地方监督所述感知能力图。
[0021]进一步地，所述指定阈值取值为0.2。
[0022]基于如前所述的路端雷达的部署方法，本专利技术第二方面提供一种用于部署路端雷达的电子设备，其包括存储器以及处理器，其中所述存储器被配置为存储计算机程序，所述计算机程序在所述处理器运行时执行如前所述的路端雷达的部署方法。
[0023]本专利技术第三方面还提供一种部署路端雷达的计算机可读存储介质，其存储有计算机程序，所述计算机程序在处理器上运行时执行如前所述的路端雷达的部署方法。
[0024]本专利技术第四方面还提供一种雷达阵列，包括多个雷达，其中所述雷达是根据如前所述的方法部署的。
[0025]本专利技术提供的一种路端雷达的部署方法，通过贪心算法来直接部署路端雷达，进而提高了雷达部署优化的效率。具体而言，本专利技术通过贪心算法实现，将雷达一个个进行部署，并选择最大化感知增益的潜在位置，以此来获得近似最优解，从而显著降低计算时间，并极大地降低了计算资源的占用。同时，本专利技术还提供了一种可以仅通过单个点云数据帧预测雷达放置感知能力的“感知预测模块”，以克服计算感知精度所需的时间问题。
附图说明
[0026]为进一步阐明本专利技术的各实施例的以上和其它优点和特征，将参考附图来呈现本专利技术的各实施例的更具体的描述。可以理解，这些附图只描绘本专利技术的典型实施例，因此将不被认为是对其范围的限制。在附图中，为了清楚明了，相同或相应的部件将用相同或类似的标记表示。
[0027]图1示出本专利技术一个实施例的一种路端雷达的部署方法的流程示意图；
[0028]图2示出本专利技术一个实施例的一种感知预测模块的训练过程示意图；以及
[0029]图3示出一个仿真场景的鸟瞰图；以及
[0030]图4a
‑
4e分别示出根据本专利技术一个实施例的一种路端雷达的部署方法在如图3所示的仿真场景中部署雷达的过程示意图及其对应的感知能力图。
具体实施方式
[0031]以下的描述中，参考各实施例对本专利技术进行描述。然而，本领域的技术人员将认识到可在没有一个或多个特定细节的情况下或者与其它替换和/或附加方法或组件一起实施
各实施例。在其它情形中，未示出或未详细描述公知的结构或操作以免模糊本专利技术的专利技术点。类似地，为了解释的目的，阐述了特定数量和配置，以便提供对本专利技术的实施例的全面理解。然而，本专利技术并不限于这些特定细节。
[0032]在本说明书中，对“一个实施例”或“该实施例”的引用意味着结合该实施例描述的特定特征、结构或特性被包括在本专利技术的至少一个实施例中。在本说明书各处中出现的短语“在一个实施例中”并不一定全部指代同一实施例。
[0033]需要说明的是，本专利技术的实施例以特定顺序对方法步骤进行描述，然而这只是为了阐述该具体实施例，而不是限定各步骤的先后顺序。相反，在本专利技术的不同实施例中，可根据实际需求的调节来调整各步骤的先后顺序。
[0034]在本专利技术中，所述感知预测模块、3D检测模块等模块可以使用软件、固件或其组合来实现。当模块使用软件来实现时，可以通过计算机程序流程来实现模块的功能，例如模块可以通过存储在存储设备(如硬盘、内存等)中的代码段(如C、C++等语言的代码段)来实现，其中当所述代码段被处理器执行时能够实现模块的相应功能。当模块使用固件来实现时，可以将模块的功能以程序代码形式写入设备的诸如EPROM或EEPROM之类的只读存储器中，并且当所述程序代码被处理器执行时能够实现模块的相应功能。
[0035]为了提高本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种路端雷达的部署方法，其特征在于，包括步骤：获取可行的雷达位置集合；选取所述雷达位置集合中的任一位置部署雷达，并计算场景的感知能力；以及从所述雷达位置集合中逐个确定雷达的部署位置，其中第N个雷达的部署位置使得所述场景的感知能力相较于仅设置N
‑
1个雷达时的感知能力增益最大，其中N为大于1的自然数。2.如权利要求1所述的部署方法，其特征在于，计算场景的感知能力包括步骤：通过感知预测模块，根据去除车流后的点云计算得到场景的感知能力图；以及将感知能力图中的数值进行求和，得到感知能力。3.如权利要求2所述的部署方法，其特征在于，所述感知预测模块通过带标签的训练集训练得到。4.如权利要求3所述的部署方法，其特征在于，所述感知预测模块的训练包括步骤：通过预训练的3D检测模块对所述带标签的训练集点云进行车辆的检测，得到置信度图；采用指定阈值过滤所述置信度图；移除所述带标签的训练集中的车流，输入至所述感知预测模块，得到感知能力图；以及基于过滤...

【专利技术属性】
技术研发人员：李怡康，蔡新雨，姜文韬，刘偲，
申请(专利权)人：上海人工智能创新中心，
类型：发明
国别省市：