【技术实现步骤摘要】
本申请涉及雷达探测，特别是一种通过毫米波雷达重定位的方法及装置。
技术介绍
1、随着自动驾驶汽车步入现实，其安全性与定位技术紧密相关。在车辆定位丢失时，需要进行重定位，即定位失败时重新找回当前的定位。
2、现有技术中大多通过同步定位与建图slam结合激光雷达(简称：激光slam)实现重定位，但激光雷达具有体积大、易受环境因素影响和价格昂贵难以量产等缺点。因此如何低成本、高效率地实现重定位任务成为了一个亟待解决的问题。
技术实现思路
1、基于上述问题，本申请提供了一种通过毫米波雷达重定位的方法及装置。目的是通过毫米波雷达高效实现重定位。
2、本申请公开了一种通过毫米波雷达重定位的方法，所述方法包括：
3、将毫米波雷达的样本点云编码成样本描述子；
4、获取所述样本描述子在编码空间中的位置间距；
5、根据所述样本描述子和所述位置间距训练重定位模型；
6、通过训练得到的重定位模型进行重定位。
7、可选的，通过训练得到的重定位模型进行重定位，包括：
8、将毫米波雷达的点云编码为待定位描述子；
9、利用所述重定位模型对所述待定位描述子做最邻近搜索，得到的描述子位置为重定位结果。
10、可选的，根据所述样本描述子和所述位置间距训练重定位模型，包括：以卷积神经网络为骨干网络，基于所述样本描述子、所述位置间距和netvlad算法训练重定位模型。
11、可选的，根据所述样
12、可选的，根据所述样本描述子和所述位置间距训练重定位模型，所述方法还包括：采用在线生成训练集的方法，根据不同所述样本描述子的位置，重新获取所述样本描述子和所述位置间距。
13、基于上述一种通过毫米波雷达重定位的方法，本申请还公开了一种通过毫米波雷达重定位的装置，包括：编码单元、位置间距获取单元、训练单元和重定位单元；
14、所述编码单元，用于将毫米波雷达的样本点云编码成样本描述子；
15、所述位置间距获取单元，用于获取所述样本描述子在编码空间中的位置间距；
16、所述训练单元，用于根据所述样本描述子和所述位置间距训练重定位模型；
17、所述重定位单元，用于通过训练得到的重定位模型进行重定位。
18、可选的，所述重定位单元包括：
19、待定位描述子编码单元，用于将毫米波雷达的点云编码为待定位描述子；
20、最邻近搜索子单元，用于对所述待定位描述子做最邻近搜索，得到重定位结果。
21、可选的，所述训练单元用于：以卷积神经网络为骨干网络，基于所述样本描述子、所述位置间距和netvlad算法训练重定位模型。
22、可选的，所述训练单元用于：以tripletloss作为损失函数，经训练拉近锚示例和正示例的位置间距，拉远锚示例和负示例的位置间距。
23、可选的，还包括：训练集生成单元，用于采用在线生成训练集的方法，根据不同所述样本描述子的位置，重新获取所述样本描述子和所述位置间距。
24、本申请公开了一种通过毫米波雷达重定位的方法及装置。通过将毫米波雷达点云编码成描述子，获取其位置间距，再经过训练得到重定位模型，用于实现重定位。本申请所述方法拓展了毫米波雷达的使用场景，且毫米波雷达价格低、体积小、不易环境因素影响，低成本的同时更高效地实现重定位任务。
本文档来自技高网...【技术保护点】
1.一种通过毫米波雷达重定位的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，通过训练得到的重定位模型进行重定位，包括：
3.根据权利要求1所述的方法，其特征在于，根据所述样本描述子和所述位置间距训练重定位模型，包括：以卷积神经网络为骨干网络，基于所述样本描述子、所述位置间距和NetVLAD算法训练重定位模型。
4.根据权利要求1所述的方法，其特征在于，根据所述样本描述子和所述位置间距训练重定位模型，包括：以TripletLoss作为损失函数，经训练拉近锚示例和正示例的位置间距，拉远锚示例和负示例的位置间距。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：采用在线生成训练集的方法，根据不同所述样本描述子的位置，重新获取所述样本描述子和所述位置间距。
6.一种通过毫米波雷达重定位的装置，其特征在于，包括：编码单元、位置间距获取单元、训练单元和重定位单元；
7.根据权利要求6所述的装置，其特征在于，所述重定位单元包括：
8.根据权利要求6所述的装置，其特征在于，
9.根据权利要求6所述的装置，其特征在于，所述训练单元用于：以TripletLoss作为损失函数，经训练拉近锚示例和正示例的位置间距，拉远锚示例和负示例的位置间距。
10.根据权利要求6所述的装置，其特征在于，还包括：训练集生成单元，用于采用在线生成训练集的方法，根据不同所述样本描述子的位置，重新获取所述样本描述子和所述位置间距。
...【技术特征摘要】
1.一种通过毫米波雷达重定位的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，通过训练得到的重定位模型进行重定位，包括：
3.根据权利要求1所述的方法，其特征在于，根据所述样本描述子和所述位置间距训练重定位模型，包括：以卷积神经网络为骨干网络，基于所述样本描述子、所述位置间距和netvlad算法训练重定位模型。
4.根据权利要求1所述的方法，其特征在于，根据所述样本描述子和所述位置间距训练重定位模型，包括：以tripletloss作为损失函数，经训练拉近锚示例和正示例的位置间距，拉远锚示例和负示例的位置间距。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：采用在线生成训练集的方法，根据不同所述样本描述子的位置，重新获取所述样本描述子和所...
【专利技术属性】
技术研发人员：刘明轩，齐诚，邓一民，李天然，张溪桐，
申请(专利权)人：上海汽车集团股份有限公司，
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。