【技术实现步骤摘要】
本公开涉及lidar语义分割方法和使用该方法的基于lidar的对象感知设备。
技术介绍
1、自主驾驶需要使用传感器的对象感知，并且最近已经开发了使用lidar的对象感知技术。
2、lidar的对象感知包括通过lidar传感器获得的点云的语义分割。
3、最近，开发了用于lidar点云的语义分割的深度学习模型。
4、深度学习模型需要训练数据，并且训练数据量越大，分割的准确度越高。
5、然而，为了确保大量的训练数据，需要时间量和成本。
6、虽然公开了lidar数据集，但是由于域差异，将其应用于特定的基于域的深度学习模型是不合适的。
技术实现思路
1、本专利技术旨在解决上述现有技术的至少一个问题。
2、提供了一种克服领域差异的同时使用现有数据集构建语义分割模型的方法以及使用该方法的对象感知设备。
3、根据本公开的实施方式，一种用于通过两步域适配来构建lidar语义分割模型的方法包括：通过处理器转换第一域的第一lid...
【技术保护点】
1.一种用于通过两步域适配来构建LiDAR语义分割模型的方法，所述方法包括：
2.根据权利要求1所述的方法，其中，转换所述第一LiDAR数据集包括通过所述处理器根据所述第二域的垂直坐标转换所述第一LiDAR数据集的垂直坐标值。
3.根据权利要求1所述的方法，其中，转换所述第一LiDAR数据集包括通过所述处理器将所述第一LiDAR数据集转换成具有第一水平分辨率和第一垂直分辨率的第一范围视图图像，并且通过所述处理器将所述第一范围视图图像转换成具有与所述第二域对应的水平分辨率和垂直分辨率的第二范围视图图像。
4.根据权利要求3所述的方法，...
【技术特征摘要】
1.一种用于通过两步域适配来构建lidar语义分割模型的方法，所述方法包括：
2.根据权利要求1所述的方法，其中，转换所述第一lidar数据集包括通过所述处理器根据所述第二域的垂直坐标转换所述第一lidar数据集的垂直坐标值。
3.根据权利要求1所述的方法，其中，转换所述第一lidar数据集包括通过所述处理器将所述第一lidar数据集转换成具有第一水平分辨率和第一垂直分辨率的第一范围视图图像，并且通过所述处理器将所述第一范围视图图像转换成具有与所述第二域对应的水平分辨率和垂直分辨率的第二范围视图图像。
4.根据权利要求3所述的方法，其中，转换所述第一lidar数据集进一步包括通过所述处理器将所述第一范围视图图像映射至第二水平分辨率的范围视图图像帧由所述处理器来获得所述第二范围视图图像。
5.根据权利要求4所述的方法，其中，所述第一语义分割模型包括深度学习网络，所述深度学习网络具有n个编码器层，并且所述第二水平分辨率是2的n次幂的倍数中高于通过360度除以所述第二域的水平扫描分辨率获得的数字的数字，其中，n为整数。
6.根据权利要求4所述的方法，其中，响应于所述第一水平分辨率大于所述第二水平分辨率并且所述第一范围视图图像的多个像素被映射到所述第二范围视图图像的一个像素，获得所述第二范围视图图像包括：通过所述处理器在与所述多个像素相对应的lidar点中选择具有较小距离坐标值的lidar点由所述处理器来执行映射。
7.根据权利要求3所述的方法，其中，转换所述第一lidar数据集的进一步包括通过所述处理器将所述第一范围视图图像转换成第二垂直分辨率的范围视图图像由所述处理器来获得所述第二范围视图图像。
8.根据权利要求7所述的方法，其中，转换所述第一lidar数据集进一步包括：通过所述处理器将所述第一范围视图图像转换成“俯仰密度函数”域；通过所述处理器将俯仰轴由所述第二垂直分辨率划分为相等的部分；以及通过所述处理器从与所述相等的部分对应的密度函数值中获得所述第二范围视图图像。
9.根据权利要求8所述的方法，其中，将所述相等的部分中不具有对应密度函数值的相等的部分的密度函数值确定为0。
10.根据权利要求3所述的方法，其中，转换所述第一lidar数据集进一步包括通过所述处理器掩蔽所述第一范围视图图像中对应于将从所述机器学习中被排除的所述第二域的闭塞部分。
11.一种基于l...
【专利技术属性】
技术研发人员：郑武官，柳守颎，黄相元，
申请(专利权)人：现代自动车株式会社，
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。