【技术实现步骤摘要】
本专利技术涉及智能列车辅助驾驶，尤其涉及一种基于4d毫米波雷达的列车前向障碍物检测方法。
技术介绍
1、随着城市规模的扩大和科学技术的高速发展，轨道交通成为了城市中不可或缺的公共交通基础设施之一。实现轨道交通领域的智能辅助驾驶能够减少由于人为错误导致的事故，可以实时监测周围环境，做出更快速和更准确的反应，避免碰撞和减少交通事故。环境感知可以视为智能辅助驾驶第一道门槛，对周围环境的准确感知，获取目标物体的精确位置、类别信息是实现列车智能辅助驾驶的关键之一。
2、当前，环境感知主要使用的传感器是摄像头、激光雷达、毫米波雷达。摄像头作为常见的环境感知传感器，能够获取高分辨率的环境信息，有利于障碍物的目标检测，但是摄像头获取的图片信息仅仅提供2d平面的语义特征，难以获取目标准确的深度信息，并且在光照不充足以及雨雪雾等恶劣天气时，其误检、漏检的情况无法避免。激光雷达输出的点云信息具有较高的分辨率，且包含目标的3d语义特征，但是激光雷达昂贵的价格与其在雨雪雾等恶劣天气时探测精度的迅速下降，使得激光雷达的适用范围受到局限。传统的3d毫米波雷达的工作原理是使用无线电波进行目标的探测，由于无线电波的波长相对较长，并且雨滴、雪花和雾气的尺寸较小，因此在面对极端天气的情况下毫米波雷达能够具有良好的鲁棒性，但是传统的3d毫米波雷达仅仅能测量出物体的径向距离，方位角，径向速度，缺少重要的高度信息，且分辨率低导致输出点云稀疏，无法作为单模态目标检测的主要传感器。
技术实现思路
1、本专利技术所要解
2、本专利技术是通过以下技术方案予以实现：
3、一种基于4d毫米波雷达的列车前向障碍物检测方法，包括如下步骤：
4、s1.采集4d毫米波雷达原始点云数据，预处理后获得障碍物点云数据；
5、s2.对所述障碍物点云数据进行聚类处理，确定当前帧点云轨道左右两侧的检测范围；
6、s3.对经聚类处理后的点云进行立柱划分，每个立柱随机选取多个点进行特征提取，对立柱的点云维度进行最大池化，找到当前立柱最具代表性的特征，再将所述当前立柱最具代表性的特征根据立柱所表示的区域恢复成伪图像；
7、s4.将所述伪图像输入2d卷积骨干网络，进行多维度、多尺度的特征提取，获取2d卷积提取特征的特征图；
8、s5.将所述2d卷积提取特征的特征图进行通道维度和空间维度注意力的加强；
9、s6.将经过通道维度和空间维度注意力加强后的特征图输入ssd检测头，进行障碍物的目标检测。
10、根据上述技术方案，优选地，步骤s1包括：采集4d毫米波雷达原始点云数据；将所述原始点云数据进行统计滤波，去除噪声点；使用直通滤波将高于列车高度1.5倍的点云进行滤除；预处理后获得障碍物点云数据。
11、根据上述技术方案，优选地，步骤s2中，采用dbscan聚类算法对所述障碍物点云数据进行聚类处理。
12、根据上述技术方案，优选地，步骤s3中，每个立柱随机选取32个点进行特征提取；若立柱中点的个数少于32个，则以当前立柱所有点的平均值进行填充。
13、根据上述技术方案，优选地，步骤s3中，每个点提取11维特征(x,y,z,r,v,xc,yc,zc,xp,yp,zp)，其中，x,y,z表示每个点在笛卡尔坐标系下的位置信息，r代表物体的反射强度，v为物体的多普勒速度，xc,yc,zc表示点与当前立柱所有点平均值之差，xp，yp，zp为点与立柱几何中心的相对位置。
14、根据上述技术方案，优选地，步骤s3中，将所述当前立柱最具代表性的特征根据立柱所表示的区域恢复成(c，h，w)伪图像，其中，c表示每个立柱的特征维度，h、w分别表示伪图像x轴方向、y轴方向的分辨率。
15、根据上述技术方案，优选地，步骤s4包括：对输入的所述伪图像进行三次下采样，得到三个尺度的特征图，分别代表当前帧点云不同维度的特征；将第三次下采样后的特征图并行通过两个膨胀因子不同的空洞卷积，并且将经过空洞卷积的两个输出与第三次下采样后的特征图进行拼接作为高维全局特征；将多个维度的输出经过反卷积的上采样至相同大小并且进行拼接，得到所述2d卷积提取特征的特征图。
16、根据上述技术方案，优选地，步骤s5中，将所述2d卷积提取特征的特征图进行通道维度的注意力加强，包括：将输入的特征图分别经过空间维度的最大池化和空间维度的平均池化后，分别得到两个大小为(cin，1，1)的特征块fchannel_max、fchannel_avg；将这两个特征块经过多层感知机以及激活函数的特征提取；将特征提取的结果进行逐元素相加后经过一个sigmoid激活函数，得到通道维度注意力权重fchannel_output，将fchannel_output与fin进行相乘，强化通道维度的信息；其中，
17、fchannel_output＝sigmoid(mlp(avgpool(fin))+mlp(maxpool(fin)))
18、f′in＝fchannel_output*fin。
19、根据上述技术方案，优选地，步骤s5中，将所述2d卷积提取特征的特征图进行空间维度的注意力加强，包括：将输入的特征图分别经过通道维度的最大池化和通道维度的平均池化后，分别得到两个大小为(1，hin，win)的特征图fspatial_max、fspatial_avg；将两特征图进行拼接操作后，经过2d卷积的特征提取后转化为(1，hin，win)的特征图；将特征图经过一个sigmoid激活函数，得到空间维度注意力权重fspatial_output，将fspatial_output与f′in进行相乘，强化空间维度的信息；其中，
20、fspatial_output＝conv([avgpool(f′in)；maxpool(f′in)])
21、foutput＝fspatial_output*fin。
22、本专利技术的有益效果是：
23、本专利技术采用4d毫米波雷达作为主要传感器，不仅能够保证在恶劣天气下检测的准确度，并且弥补了传统3d毫米波雷达缺少高度信息、低分辨率的问题，在列车行驶环境下，根据当前帧点云的聚类结果，对检测范围进行动态设置，并且经过注意力机制强化的深度学习网络模型，进行障碍物的目标检测，使得在保证检测精度的同时节约计算资源，实现列车的智能辅助驾驶。
本文档来自技高网...【技术保护点】
1.一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤S1包括：采集4D毫米波雷达原始点云数据；将所述原始点云数据进行统计滤波，去除噪声点；使用直通滤波将高于列车高度1.5倍的点云进行滤除；预处理后获得障碍物点云数据。
3.根据权利要求1所述一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤S2中，采用DBSCAN聚类算法对所述障碍物点云数据进行聚类处理。
4.根据权利要求1所述一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤S3中，每个立柱随机选取32个点进行特征提取；若立柱中点的个数少于32个，则以当前立柱所有点的平均值进行填充。
5.根据权利要求4所述一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤S3中，每个点提取11维特征(x,y,z,r,v,xc,yc,zc,xp,yp,zp)，其中，x,y,z表示每个点在笛卡尔坐标系下的位置信息，r代表物体的反射强度，v为物体的多
6.根据权利要求5所述一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤S3中，将所述当前立柱最具代表性的特征根据立柱所表示的区域恢复成(C,H,W)伪图像，其中，C表示每个立柱的特征维度，H、W分别表示伪图像X轴方向、Y轴方向的分辨率。
7.根据权利要求1所述一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤S4包括：对输入的所述伪图像进行三次下采样，得到三个尺度的特征图，分别代表当前帧点云不同维度的特征；将第三次下采样后的特征图并行通过两个膨胀因子不同的空洞卷积，并且将经过空洞卷积的两个输出与第三次下采样后的特征图进行拼接作为高维全局特征；将多个维度的输出经过反卷积的上采样至相同大小并且进行拼接，得到所述2D卷积提取特征的特征图。
8.根据权利要求1所述一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤S5中，将所述2D卷积提取特征的特征图进行通道维度的注意力加强，包括：将输入的特征图分别经过空间维度的最大池化和空间维度的平均池化后，分别得到两个大小为(Cin,1,1)的特征块Fchanel_max、Fchannel_avg；将这两个特征块经过多层感知机以及激活函数的特征提取；将特征提取的结果进行逐元素相加后经过一个sigmoid激活函数，得到通道维度注意力权重Fchannel_output，将Fchannel_output与Fin进行相乘，强化通道维度的信息；其中，
9.根据权利要求1或8所述一种基于4D毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤S5中，将所述2D卷积提取特征的特征图进行空间维度的注意力加强，包括：将输入的特征图分别经过通道维度的最大池化和通道维度的平均池化后，分别得到两个大小为(1,Hin,Win)的特征图Fspatial_max、Fspatial_avg；将两特征图进行拼接操作后，经过2D卷积的特征提取后转化为(1,Hin,Win)的特征图；将特征图经过一个sigmoid激活函数，得到空间维度注意力权重Fspatial_output，将Fspatial_output与F′in进行相乘，强化空间维度的信息；其中，
...【技术特征摘要】
1.一种基于4d毫米波雷达的列车前向障碍物检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述一种基于4d毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤s1包括：采集4d毫米波雷达原始点云数据；将所述原始点云数据进行统计滤波，去除噪声点；使用直通滤波将高于列车高度1.5倍的点云进行滤除；预处理后获得障碍物点云数据。
3.根据权利要求1所述一种基于4d毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤s2中，采用dbscan聚类算法对所述障碍物点云数据进行聚类处理。
4.根据权利要求1所述一种基于4d毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤s3中，每个立柱随机选取32个点进行特征提取；若立柱中点的个数少于32个，则以当前立柱所有点的平均值进行填充。
5.根据权利要求4所述一种基于4d毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤s3中，每个点提取11维特征(x,y,z,r,v,xc,yc,zc,xp,yp,zp)，其中，x,y,z表示每个点在笛卡尔坐标系下的位置信息，r代表物体的反射强度，v为物体的多普勒速度，xc,yc,zc表示点与当前立柱所有点平均值之差，xp,yp,zp为点与立柱几何中心的相对位置。
6.根据权利要求5所述一种基于4d毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤s3中，将所述当前立柱最具代表性的特征根据立柱所表示的区域恢复成(c,h,w)伪图像，其中，c表示每个立柱的特征维度，h、w分别表示伪图像x轴方向、y轴方向的分辨率。
7.根据权利要求1所述一种基于4d毫米波雷达的列车前向障碍物检测方法，其特征在于，步骤s4包括：对输入的...
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。