【技术实现步骤摘要】
本专利技术涉及智能驾驶，具体的说是一种激光雷达基于联邦学习识别车道线及车辆的方法。
技术介绍
1、随着国家快速的城市化增长，新型基础建设成为公众的焦点。在新基建涉及的细分领域中，5g、物联网、卫星互联网、人工智能、数据中心、智能交通基础设施均与智能驾驶技术密切相关，智能驾驶站在这几大领域的交汇处，将作为重点落地场景推动新基建的发展。智能驾驶技术中的感知功能是非常重要的，而且其感知设备丰富、感知数据模态多样、感知数据量大且任务输出复杂，机深度学习技术在其中得到了广泛应用，例如计算机视觉、自然语言处理及推荐系统等。这些机器学习技术的成功应用，都是建立在大量数据的基础之上的。然而在实际应用场景中，较多的感知设备必将提高终端成本，让智能驾驶技术更难落地。使用一种感知设备实现智能驾驶技术将是一种趋势。作为感知设备的明星激光雷达借着感知精度高、识别正确率高、数据更加直接，对于智能驾驶系统芯片与算法压力更轻，更安全和可靠的优势在智能驾驶感知设备中站稳了脚跟。
2、联邦学习(federated learning)旨在建立一个基于分布数据集的...
【技术保护点】
1.一种激光雷达基于联邦学习识别车道线及车辆的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种激光雷达基于联邦学习识别车道线及车辆的方法，其特征在于，执行步骤S1，使用现有标注数据以有监督的方式训练用于智能驾驶终端的感知模型，具体包括如下操作：
3.根据权利要求2所述的一种激光雷达基于联邦学习识别车道线及车辆的方法，其特征在于，所述多尺度卷积神经网络包括输入层、多个跳层连接层和输出层，其中跳层连接层又包括两个卷积层，前一个卷积层的输入是输入层或上一个跳层连接层的输出数据，后一个卷积层的输入是前一个卷积层的输出数据或前一个卷积层与上...
【技术特征摘要】
1.一种激光雷达基于联邦学习识别车道线及车辆的方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种激光雷达基于联邦学习识别车道线及车辆的方法，其特征在于，执行步骤s1，使用现有标注数据以有监督的方式训练用于智能驾驶终端的感知模型，具体包括如下操作：
3.根据权利要求2所述的一种激光雷达基于联邦学习识别车道线及车辆的方法，其特征在于，所述多尺度卷积神经网络包括输入层、多个跳层连接层和输出层，其中跳层连接层又包括两个卷积层，前一个卷积层的输入是输入层或上一个跳层连接层的输出数据，后一个卷积层的输入是前一个卷积层的输出数据或前一个卷积层与上一个跳层连接层之和的输出数据。
4.根据权利要求3所述的一种激光雷达基于联邦学习识别车道线及车辆的方法，其特征在于，所述多尺度卷积神经网络包括50个跳层连接层，其中，第10个跳层连接层有a1、a2、a3三个输出，其中，a1输出作为第11个跳层连接层的输入，a2输出用于检测小尺寸目标，第25个跳层连接层有b1、b2、b3三个输出，b1输出作为第26个跳层连接层的输...
【专利技术属性】
技术研发人员：李世鹏，
申请(专利权)人：山东新一代信息产业技术研究院有限公司，
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。