【技术实现步骤摘要】
本申请涉及自动驾驶，特别涉及一种激光雷达点云数据对抗样本生成方法、装置、车辆及介质。
技术介绍
1、目前先进的自动驾驶系统普遍使用激光雷达作为感知传感器之一，激光雷达可以采集周围环境中交通参与者的点云数据，自动驾驶系统通过3d目标检测的深度神经网络对目标进行检测，在动态环境中实现目标的跟踪和预测，从而指导自动驾驶系统自身的轨迹规划和决策动作，而实现基于点云数据的精确的目标检测，在深度神经网络的学习过程中，可增加一部分对抗性样本，用于对抗性训练以提高深度神经网络的鲁棒性，该训练方法即为对抗训练。
2、目前，现有技术可利用编码器提取原始点云的局部特征；利用解码器通过局部特征学习每个点被丢弃的概率，从而生成对抗点云；此外，现有技术还可解决现有的基于深度学习的分类模型训练所采用的对抗样本无法在移除离群点的方法下使图像分类出错，导致训练出的分类模型鲁棒性差精确度低的问题。
3、综上可知，现有技术中的对抗样本的主要目的是导致深度神经网络对目标的分类出现错误，但在自动驾驶场景中，对点云数据的检测结果除了分类之外，还包含目标的大小、位置、航向角等信息，而目标的航向角信息，是自动驾驶系统对目标的未来行驶轨迹进行预测的一个重要考量指标。
4、然而，现有技术无法在不采集真实环境数据的情况下，通过相关算法生成迷惑性较强的对抗样本，在深度神经网络检测目标的点云数据的过程中，难以有效提升航向角计算的准确度，亟待解决。
技术实现思路
1、本申请提供一种激光雷达点云数据对抗样本
2、本申请第一方面实施例提供一种激光雷达点云数据对抗样本生成方法，包括以下步骤：构建目标车辆的多个3d遮盖模型，并划分所述多个3d遮盖模型，得到至少一个3d遮盖模型族群，且获取所述多个3d遮盖模型的位姿信息，以生成模拟激光雷达射线簇，通过所述模拟激光雷达射线簇和所述多个3d遮盖模型，生成所述目标车辆的空洞点云数据；根据所述目标车辆的适应度函数识别每个3d遮盖模型族群中的适应度值最高的第一个体和其他的第二个体，基于所述第一个体与所述第二个体进行基因交叉操作，生成多个子3d遮盖模型，并基于所述适应度函数，获取所述多个子3d遮盖模型中的适应度值最高的第三个体，根据所述第三个体执行族群迁徙操作，得到所述目标车辆的3d迁徙遮盖模型；迭代执行所述基因交叉操作和所述族群迁徙操作，并在每个3d迁徙遮盖模型的适应度值不变时，从所有3d迁徙遮盖模型中筛选所述适应度值最高的3d迁徙遮盖模型，将所述适应度值最高的3d迁徙遮盖模型在不同位姿下的空洞点云数据作为训练预设3d目标识别模型的对抗样本。
3、可选地，在本申请的一个实施例中，所述构建目标车辆的多个3d遮盖模型，包括：构建所述目标车辆的3d模型；对所述3d模型进行随机遮盖操作，生成所述目标车辆的多个3d遮盖模型。
4、可选地，在本申请的一个实施例中，所述获取所述多个3d遮盖模型的位姿信息，包括：获取每个3d遮盖模型的距离数据和航向角数据；基于所述距离数据和所述航向角数据，确定所述每个3d遮盖模型的位姿信息。
5、可选地，在本申请的一个实施例中，所述生成模拟激光雷达射线簇，包括：基于预设激光雷达传感器的实际发射角度，控制所述激光雷达传感器发射所述模拟激光雷达射线簇。
6、可选地，在本申请的一个实施例中，所述基于所述第一个体与所述第二个体进行基因交叉操作，生成多个子3d遮盖模型，包括：随机选取多个第一个体，基于预设基因突变比例，对所述多个第一个体与多个第二个体进行基因交叉操作，生成所述多个子3d遮盖模型。
7、可选地，在本申请的一个实施例中，所述根据所述第三个体执行族群迁徙操作，得到所述目标车辆的3d迁徙遮盖模型，包括：从所述多个子3d遮盖模型中随机选取适应度值满足预设要求的第四个体，根据所述适应度函数计算所述第四个体和所述第三个体的适应度差值；通过所述第四个体学习根据所述适应度差值学习所述第三个体，得到所述3d迁徙遮盖模型。
8、可选地，在本申请的一个实施例中，所述适应度函数的表达式为：
9、
10、其中，lk表示第k个3d遮盖模型的适应度值；p表示非3d车辆模型生成的点云；pk表示所述3d遮盖模型生成的点云；n(p)表示所述预设3d目标识别模型对所述点云p的第一识别结果；n(pk)表示所述预设3d目标识别模型对所述点云pk的第二识别结果。
11、本申请第二方面实施例提供一种激光雷达点云数据对抗样本生成装置，包括：生成模块，用于构建目标车辆的多个3d遮盖模型，并划分所述多个3d遮盖模型，得到至少一个3d遮盖模型族群，且获取所述多个3d遮盖模型的位姿信息，以生成模拟激光雷达射线簇，通过所述模拟激光雷达射线簇和所述多个3d遮盖模型，生成所述目标车辆的空洞点云数据；识别模块，用于根据所述目标车辆的适应度函数识别每个3d遮盖模型族群中的适应度值最高的第一个体和其他的第二个体，基于所述第一个体与所述第二个体进行基因交叉操作，生成多个子3d遮盖模型，并基于所述适应度函数，获取所述多个子3d遮盖模型中的适应度值最高的第三个体，根据所述第三个体执行族群迁徙操作，得到所述目标车辆的3d迁徙遮盖模型；迭代模块，用于迭代执行所述基因交叉操作和所述族群迁徙操作，并在每个3d迁徙遮盖模型的适应度值不变时，从所有3d迁徙遮盖模型中筛选所述适应度值最高的3d迁徙遮盖模型，将所述适应度值最高的3d迁徙遮盖模型在不同位姿下的空洞点云数据作为训练预设3d目标识别模型的对抗样本。
12、可选地，在本申请的一个实施例中，所述生成模块包括：构建单元，用于构建所述目标车辆的3d模型；遮盖单元，用于对所述3d模型进行随机遮盖操作，生成所述目标车辆的多个3d遮盖模型。
13、可选地，在本申请的一个实施例中，所述生成模块还包括：获取单元，用于获取每个3d遮盖模型的距离数据和航向角数据；确定单元，用于基于所述距离数据和所述航向角数据，确定所述每个3d遮盖模型的位姿信息。
14、可选地，在本申请的一个实施例中，所述生成模块还包括：控制单元，用于基于预设激光雷达传感器的实际发射角度，控制所述激光雷达传感器发射所述模拟激光雷达射线簇。
15、可选地，在本申请的一个实施例中，所述识别模块包括：基因交叉单元，用于随机选取多个第一个体，基于预设基因突变比例，对所述多个第一个体与多个第二个体进行基因交叉操作，生成所述多个子3d遮盖模型。
16、可选地，在本申请的一个实施例中，所述识别模块还包括：计算单元，用于从所述多个子3d遮盖模型中随机选取适应度值满足预设要求的第四个体，根据所述适应度函数计算所述第四个体和所述第三个体的适应度差值；学习单元，用于通过所述第四个体学习根据所述适应度差值学习所述第三个体本文档来自技高网...
【技术保护点】
1.一种激光雷达点云数据对抗样本生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述构建目标车辆的多个3D遮盖模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取所述多个3D遮盖模型的位姿信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述生成模拟激光雷达射线簇，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一个体与所述第二个体进行基因交叉操作，生成多个子3D遮盖模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述第三个体执行族群迁徙操作，得到所述目标车辆的3D迁徙遮盖模型，包括：
7.根据权利要求1所述的方法，其特征在于，所述适应度函数的表达式为：
8.一种激光雷达点云数据对抗样本生成装置，其特征在于，包括：
9.一种车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7任一项所述的激光雷达点云数据对抗样本生成方法
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的激光雷达点云数据对抗样本生成方法。
...【技术特征摘要】
1.一种激光雷达点云数据对抗样本生成方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述构建目标车辆的多个3d遮盖模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述获取所述多个3d遮盖模型的位姿信息，包括：
4.根据权利要求1所述的方法，其特征在于，所述生成模拟激光雷达射线簇，包括：
5.根据权利要求1所述的方法，其特征在于，所述基于所述第一个体与所述第二个体进行基因交叉操作，生成多个子3d遮盖模型，包括：
6.根据权利要求1所述的方法，其特征在于，所述根据所述第三个体执行族群迁徙...
【专利技术属性】
技术研发人员：黄秋生，
申请(专利权)人：奇瑞智能汽车科技合肥有限公司，
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。