【技术实现步骤摘要】
本专利技术属于计算机视觉领域，具体涉及了一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法。
技术介绍
1、目前，国内无人驾驶汽车技术正逐渐从单车智能转变为高度协同合作的车路协同，车路协同可以实现车辆与车辆、车辆与道路之间的全面感知，能有效弥补环境感知上的盲区，从而极大提高智能驾驶的安全性。
2、车载边缘计算平台是车路协同落地过程中必不可少的组成部分之一，在边缘计算平台上部署环境感知算法是实现车路协同的必然解决方案。边缘计算平台具有低时延、高响应的特点，但同时也面临着资源受限的问题。为满足无人驾驶环境感知的实时性要求，在资源受限的边缘计算平台上实现感知模型的实时推理成为主要难点。
3、环境感知是车辆自身与外界环境信息交互的关键，为无人驾驶汽车的进一步决策和控制提供可靠依据。由于无人驾驶汽车所处环境是三维场景，因此对动态物体的实时三维目标检测有着重要的实际意义。
4、现有的三维目标检测算法主要基于相机和激光雷达传感器实现。单独利用相机获取的图像缺少物体的深度信息，同时存在目标遮挡，易出现漏检现象；激光雷达能够提供精确的物体深度信息，且不易受光照和气候影响，但由于点云稀疏，不利于判断物体类别；也有部分学者提出基于两种传感器融合的方法，但这类方法需要同时处理图像和点云数据，使算法的复杂度提升，在边缘计算场景下无法达到实时检测的实际需求。
技术实现思路
1、本专利技术的目的在于提供一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，以解决上述
技术介绍
2、本专利技术解决上述问题所采用的技术方案为：
3、一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，包括以下步骤：
4、(1)对激光雷达获取的原始点云进行预处理；
5、(2)采用基于关键点的方式来构建网络模型，通过网络直接进行多任务检测，实现对目标边界框的中心位置、三维尺寸、高度值、偏航角和类别信息的预测；
6、(3)设计多任务损失函数计算模型损失，通过反向传播优化并更新训练权重，直至模型收敛；
7、(4)将训练好的模型移植到边缘计算平台上，完成边缘计算场景下的实时三维目标检测。
8、作为本专利技术的进一步技术方案，所述步骤(1)中，对激光雷达获取的原始点云进行预处理，具体为，采用二维投影法将激光点云投影到鸟瞰视角平面上，获得点云鸟瞰图。
9、作为本专利技术的进一步技术方案，所述步骤(2)中，采用基于关键点的方式来构建网络模型，通过网络直接进行多任务检测，实现对目标边界框的中心位置、三维尺寸、高度值、偏航角和类别信息的预测，具体步骤为：1)采用“编码+解码”的结构来设计骨干网络，网络输入为点云鸟瞰图，使用通用特征提取网络作为编码部分实现图像细节信息的特征提取，解码部分结合特征金字塔网络结构，获取更多空间定位信息，将前后两部分特征图进行侧向连接，实现特征融合；2)基于关键点特征金字塔网络实现特征图的尺度统一，生成用于预测的网络输出特征图，直接预测目标边界框的中心位置、三维尺寸、高度值、偏航角和类别信息。
10、与现有技术相比，本专利技术的有益效果是：
11、(1)基于点云鸟瞰图的检测方法，能够有效解决目标遮挡与截断问题，降低漏检率；
12、(2)采用基于关键点的方式构建网络，使模型更精简，参数量更少，能够实现端到端的训练；
13、(3)在资源受限的边缘计算场景下，该方法仍能达到实时三维目标检测。
本文档来自技高网...【技术保护点】
1.一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，所述步骤(1)中，对激光雷达获取的原始点云进行预处理，具体为：采用二维投影法将激光点云投影到鸟瞰视角平面上，获得点云鸟瞰图。
3.根据权利要求2所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，所述采用二维投影法将激光点云投影到鸟瞰视角平面上，获得点云鸟瞰图，具体步骤为：1)过滤原始点云，选取用于三维目标检测的感兴趣区域，将不在此范围内的点剔除；2)根据式PΩi→j＝{PΩi＝[x,y,z]T|Sj＝fPS(PΩi,g)}，将原始点云映射到二维网格中，Sj＝fPS(PΩi,g)是映射函数，表示将点云集合PΩ中第i个点映射到点云鸟瞰图的第j个网格单元Sj中，分别计算每个网格Sj所对应的3个特征通道值：
4.根据权利要求1所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，步骤(2)中，采用基于关键点的方式来构建网络模型，通过网络直接
5.根据权利要求4所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，所述采用“编码+解码”的结构来设计骨干网络，具体为：网络输入为点云鸟瞰图，使用通用特征提取网络作为编码部分实现图像细节信息的特征提取，解码部分结合特征金字塔网络结构，获取更多空间定位信息，将前后两部分特征图进行侧向连接，实现特征融合。
6.根据权利要求1所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，步骤(3)中，所述的多任务损失函数是由中心位置预测损失、中心位置局部偏移量损失、三维尺寸回归损失、偏航角回归损失和中心点z方向坐标值回归损失五部分组成：
7.根据权利要求1所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，步骤(4)中，该方法在资源受限的边缘计算平台上的模型推断速度可以满足无人驾驶汽车对实时性的需求。
...【技术特征摘要】
1.一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，所述步骤(1)中，对激光雷达获取的原始点云进行预处理，具体为：采用二维投影法将激光点云投影到鸟瞰视角平面上，获得点云鸟瞰图。
3.根据权利要求2所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，所述采用二维投影法将激光点云投影到鸟瞰视角平面上，获得点云鸟瞰图，具体步骤为：1)过滤原始点云，选取用于三维目标检测的感兴趣区域，将不在此范围内的点剔除；2)根据式pωi→j＝{pωi＝[x,y,z]t|sj＝fps(pωi,g)}，将原始点云映射到二维网格中，sj＝fps(pωi,g)是映射函数，表示将点云集合pω中第i个点映射到点云鸟瞰图的第j个网格单元sj中，分别计算每个网格sj所对应的3个特征通道值：
4.根据权利要求1所述的一种基于边缘计算点云鸟瞰图的无人驾驶三维目标检测方法，其特征在于，步骤(2)中，采用基于关键点的方式来构建网络模型，通过网络直接进行多任务检测，实现对目标边界框的中心位置、...
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。