CN117553807A - 基于激光雷达的自动驾驶导航方法及*** - Google Patents

基于激光雷达的自动驾驶导航方法及*** Download PDF

Info

Publication number
CN117553807A
CN117553807A CN202410046437.2A CN202410046437A CN117553807A CN 117553807 A CN117553807 A CN 117553807A CN 202410046437 A CN202410046437 A CN 202410046437A CN 117553807 A CN117553807 A CN 117553807A
Authority
CN
China
Prior art keywords
features
representing
output
point cloud
local
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202410046437.2A
Other languages
English (en)
Other versions
CN117553807B (zh
Inventor
周彦
刘经纬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202410046437.2A priority Critical patent/CN117553807B/zh
Publication of CN117553807A publication Critical patent/CN117553807A/zh
Application granted granted Critical
Publication of CN117553807B publication Critical patent/CN117553807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Image Processing (AREA)

Abstract

本申请提供一种基于激光雷达的自动驾驶导航方法及***，属于导航技术领域。本申请将体素特征与点特征进行融合，得到更加丰富的语义特征，其中基于K近邻算法和注意力机制进行局部特征提取，可以直接利用点特征进行处理，不用改变3D拓扑结构，没有信息损失；在局部特征提取的过程中，采用了注意力机制，来获得增强的点特征。另外，在上采样过程中，引入了三维注意力机制，通过注意力机制自动选择不同层次的特征，来得到信息量更丰富的特征，从而改善网络性能，提高分割精度。通过上述方式，本申请可以提升导航的精准性。

Description

基于激光雷达的自动驾驶导航方法及***
技术领域
本申请属于导航技术领域，具体涉及一种基于激光雷达的自动驾驶导航方法及***。
背景技术
在自动驾驶领域，激光雷达是一种常见的定位和导航***。激光雷达通过扫描空间点的目标，形成激光点云，每一个激光点云都包含了空间点的三维坐标和激光反射强度，通过对激光点云的数据进行处理后，呈现出目标物精确的三维结构信息。与传统的相机相比，激光点云作为三维数据表示形式之一，能够较好地表达复杂场景及物体的几何形状，并且在物体空间关系及拓扑关系的表达方面具有独特的优势。
相关技术中，对激光点云的处理方法通常为：将无序的激光点云分割成一系列占用一定空间的体素, 然后送入三维卷积神经网络逐步进行体素级别的特征学习，最后为每一格体素内的所有点匹配与该体素相同的语义标签。然而，由于室外激光雷达点云具有无序性以及密度不一致性，以往的三维体素化方法将点云视为一个均匀的，并通过均匀立方体分割它们，而忽略了室外点云的密度不一致性特性，导致在体素化过程中不可避免地损失几何信息，导致对激光点云的分割精度不高，影响导航的精准性。
因此，实有必要提供一种基于激光雷达的自动驾驶导航方法及***，以解决上述背景技术中提出的问题。
发明内容
本申请提供一种基于激光雷达的自动驾驶导航方法及***，能够提升导航的精准性。
为解决上述技术问题，本申请的技术方案在于：
一种基于激光雷达的自动驾驶导航方法，包括如下步骤：
S1：获取激光点云；
S2：采用圆柱形分割将所述激光点云进行重分配得到圆柱特征；采用多层感知机对所述激光点云进行特征提取得到点特征；将所述圆柱特征与所述点特征融合得到体素特征；
S3：对所述体素特征进行非对称三维卷积操作，依次执行多次下采样及多次上采样，每次上采样过程均采用三维注意力机制进行监督；
S4：基于K近邻算法和注意力机制执行三次局部特征提取，其中：
第一次局部特征提取的输入特征为所述点特征，输出特征采用跳跃连接的方式与最后一次下采样的输出特征进行融合，得到第一融合特征；
第二次局部特征提取的输入特征为所述第一融合特征，输出特征采用跳跃连接的方式与第一次上采样的输出特征进行融合，得到第二融合特征；
第三次局部特征提取的输入特征为所述第二融合特征，输出特征采用跳跃连接的方式与最后一次上采样的输出特征进行融合，得到最终的融合特征；
S5：对最终的融合特征进行语义分割，依照语义分割的结果，规划最优的导航路线。
优选的，步骤S4中，基于K近邻算法和注意力机制进行局部特征提取的过程具体包括如下步骤：
S21：针对任意中心点云i，基于K近邻算法为其收集固定数量k的相邻点，并为每个相邻点进行位置编码，其中，第j（j=1，2···k）个相邻点的编码位置表示为：
；
式中，表示多层感知机；/>表示中心点云i的坐标；/>表示第j个相邻点的坐标；/>表示拼接操作；/>表示中心点云i和第j个相邻点的欧几里得距离；
S22：将第j个相邻点的点云特征与编码位置/>进行拼接，得到增强的特征/>，表示为：
；
S23：遍历k个相邻点，将k个相邻点增强后的特征组合作为中心点云i的局部特征，表示为：
；
S24：为局部特征的每个空间位置计算权重，基于注意力机制自动学习重要的局部特征，得到最终输出的局部特征T i ，表示为：
;
；
式中，表示空间位置的权重；/>表示/>操作；/>表示逐元素相乘。
优选的，步骤S3中，三维注意力机制通过计算高层特征和低层特征的权重，然后将权重与输入的特征加权求和以生成最终的输出特征，最终的输出特征F表示为：
；
式中，表示注意力权重；/>表示上采样；/>表示采用/>函数激活；表示3x3x3的卷积；/>表示归一化；/>表示高层特征；/>表示低层特征；/>；
；
式中，表示三维注意力机制的计算过程，/>表示三维注意力机制的输入。
优选的，步骤S3中，下采样的执行次数为四次，上采样的执行次数为三次。
本申请还提供一种基于激光雷达的自动驾驶导航***，包括：
采集模块：用于获取激光点云；
体素特征提取模块：用于采用圆柱形分割将所述激光点云进行重分配得到圆柱特征；采用多层感知机对所述激光点云进行特征提取得到点特征；将所述圆柱特征与所述点特征融合得到体素特征；
三维非对称卷积网络：用于对所述体素特征进行非对称三维卷积操作，依次执行多次下采样及多次上采样，每次上采样过程均采用三维注意力机制进行监督；
局部特征提取模块：基于K近邻算法执行三次局部特征提取，其中：
第一次局部特征提取的输入特征为所述点特征，输出特征采用跳跃连接的方式与最后一次下采样的输出特征进行融合，得到第一融合特征；
第二次局部特征提取的输入特征为所述第一融合特征，输出特征采用跳跃连接的方式与第一次上采样的输出特征进行融合，得到第二融合特征；
第三次局部特征提取的输入特征为所述第二融合特征，输出特征采用跳跃连接的方式与最后一次上采样的输出特征进行融合，得到最终的融合特征；
路线规划模块：用于对最终的融合特征进行语义分割，依照语义分割的结果，规划最优的导航路线。
本申请的有益效果在于：
（1）本发明提出了3D注意力特征融合块，使用注意力机制来决定高层特征和低层特征的权重，将权重与不同层次的语义特征加权求和得到更加丰富的语义特征，从而提高分割精度；
（2）由于驾驶场景中点云具有稀疏性、密度不一致性，导致在体素划分的过程中不可避免地改变3D拓扑结构，损失几何信息。针对上述问题，本发明提出了局部特征聚合模块，直接采用输入的原始点云数据，不损失任何信息。同时采用简单的K近邻算法，在保证效率的情况下，得到最近的K个相邻点坐标，聚合其特征，通过强大的注意力机制，最终生成信息更丰富的点特征。
附图说明
图1表示本申请提供的一种基于激光雷达的自动驾驶导航方法的流程图；
图2表示局部特征提取模块的网络架构图；
图3表示三维注意力机制的网络架构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
请结合参阅图1-图3，本申请提供一种基于激光雷达的自动驾驶导航方法，包括如下步骤：
S1：获取激光点云。
S2：采用圆柱形分割将所述激光点云进行重分配得到圆柱特征；采用多层感知机对所述激光点云进行特征提取得到点特征；将所述圆柱特征与所述点特征融合得到体素特征。
S3：对所述体素特征进行非对称三维卷积操作，依次执行多次下采样及多次上采样，每次上采样过程均采用三维注意力机制进行监督。
步骤S3中，三维注意力机制通过计算高层特征和低层特征的权重，然后将权重与输入的特征加权求和以生成最终的输出特征，最终的输出特征F表示为：
；
式中，表示注意力权重；/>表示上采样；/>表示采用/>函数激活；表示3x3x3的卷积；/>表示归一化；/>表示高层特征；/>表示低层特征；
；
；
式中，表示三维注意力机制的计算过程，/>表示三维注意力机制的输入；/>表示拼接操作；/>表示/>操作。
对于自动驾驶场景的语义分割，有些部分（如道路，建筑物）需要高级的语义特征，有些部分（如行人，交通标志）需要更详细的特征，而高层的特征图包含更多的语义信息，而低层的特征图显示更多的细节，因此，本申请通过三维注意力机制来自动选择不同层次的特征，高层语义特征通过上采样操作来保持和底层语义特征相同的通道数，而不是使用简单的特征图拼接，可以有效地融合不同层次的语义信息，得到信息量更丰富的特征，从而改善模型性能，提高分割精度。三维注意力机制（3DAFFB）的网络架构如图3所示。
下采样的执行次数为四次，上采样的执行次数为三次。
S4：基于K近邻算法和注意力机制执行三次局部特征提取，其中：
第一次局部特征提取的输入特征为所述点特征，输出特征采用跳跃连接的方式与最后一次下采样的输出特征进行融合，得到第一融合特征；
第二次局部特征提取的输入特征为所述第一融合特征，输出特征采用跳跃连接的方式与第一次上采样的输出特征进行融合，得到第二融合特征；
第三次局部特征提取的输入特征为所述第二融合特征，输出特征采用跳跃连接的方式与最后一次上采样的输出特征进行融合，得到最终的融合特征；
由于室外点云的密度不一致性特性，导致在体素化过程中会不可避免地损失几何信息，为此本申请直接对原始无序的3D点云进行局部特征提取，没有任何信息损失，通过逐步增加每个点的接收场来自动保留复杂的局部结构，得到增强的点特征。最后将点特征与体素特征相融合，能够得到语义信息更加丰富的特征，从而提高网络的性能。
基于K近邻算法和注意力机制进行局部特征提取的过程具体包括如下步骤：
S21：针对任意中心点云i，基于K近邻算法为其收集固定数量k的相邻点，并为每个相邻点进行位置编码，其中，第j（j=1，2···k）个相邻点的编码位置表示为：
；
式中，表示多层感知机；/>表示中心点云i的坐标；/>表示第j个相邻点的坐标；/>表示拼接操作；/>表示中心点云i和第j个相邻点的欧几里得距离；
S22：将第j个相邻点的点云特征与编码位置/>进行拼接，得到增强的特征/>，表示为：
；
S23：遍历k个相邻点，将k个相邻点增强后的特征组合作为中心点云i的局部特征，表示为：
；
S24：为局部特征的每个空间位置计算权重，基于注意力机制自动学习重要的局部特征，得到最终输出的局部特征T i ，表示为：
;
；
式中，表示空间位置的权重；/>表示/>操作；/>表示逐元素相乘。
在给定输入的点云数据情况下，通过聚合中心点的K个最近点的特征，从而使相应的点特征始终知道其相对点空间位置。这使局部空间编码块可以显式的观察局部几何图案，从而最终使整个网络受益，有效地学习复杂的局部结构，并最终生成信息量丰富的特征。
S5：对最终的融合特征进行语义分割，依照语义分割的结果，规划最优的导航路线。
本申请还提供一种基于激光雷达的自动驾驶导航***，包括：
采集模块：用于获取激光点云；
体素特征提取模块：用于采用圆柱形分割将所述激光点云进行重分配得到圆柱特征；采用多层感知机对所述激光点云进行特征提取得到点特征；将所述圆柱特征与所述点特征融合得到体素特征；
三维非对称卷积网络：用于对所述体素特征进行非对称三维卷积操作，依次执行多次下采样及多次上采样，每次上采样过程均采用三维注意力机制进行监督；
局部特征提取模块（LFAB）：基于K近邻算法和注意力机制执行三次局部特征提取，其中：
第一次局部特征提取的输入特征为所述点特征，输出特征采用跳跃连接的方式与最后一次下采样的输出特征进行融合，得到第一融合特征；
第二次局部特征提取的输入特征为所述第一融合特征，输出特征采用跳跃连接的方式与第一次上采样的输出特征进行融合，得到第二融合特征；
第三次局部特征提取的输入特征为所述第二融合特征，输出特征采用跳跃连接的方式与最后一次上采样的输出特征进行融合，得到最终的融合特征；
路线规划模块：用于对最终的融合特征进行语义分割，依照语义分割的结果，规划最优的导航路线。
实施例1
在本实施方式中，所述导航网络模型训练采用的数据集为SemanticKITTI和nuScenes基准数据集。将数据集划分为训练集、验证集和测试集，所述训练集用于执行训练的过程，以学习和更新所述导航网络模型的参数，以使所述导航网络模型更好的拟合数据；所述验证集用于调整所述导航网络模型的超参数并评估所述导航网络模型的性能；所述测试集用于测试所述导航网络模型的性能。
构建对比试验，评估本申请提供的导航网络模型和本领域的其他模型分别在nuScenes验证集和SemanticKITTI验证集上的性能，评估所采用的指标为平均交并比（mIoU），其计算过程表示为：
式中，TP表示为真正例，即模型预测为正例，实际是反例；FN表示为假反例，即模型预测为反例，实际是正例；FP表示为假正例，即模型预测为正例，实际是反例；K表示类别数。
请参阅表1，表1表示本申请提供的导航网络模型与本领域的其他模型在SemanticKITTI验证集上的性能对比数据。
表1 多种模型在SemanticKITTI验证集上性能对比数据
其中，模型名称后的 (·)表示的是模型网络输入数据的类型， L表示输入数据仅仅为激光雷达数据；L+C表示激光雷达数据和相机数据的融合数据。
表1可以看出，从输入数据的类型来看，本申请与RandLANet、RangeNet++、SequeeezeSegV2、SequeeezeSegV3和SalsaNext等基于投影的方法2D空间相比，尽管都是输入单模态的雷达数据，但是由于三维几何信息的建模，本申请提供的方法在mIoU方面实现了性能增益。本申请与MinkowskiNet，SPVNAS和Cylinder3D等3D卷积方法相比，因为在我们的方法中融入了点特征，性能也要优于这些方法。最后，与基于多视图融合的方法相比，我们提出的方法也优于这些方法。
请参阅表2，表2表示本申请提供的导航网络模型与本领域的其他模型在nuScenes验证集上性能对比数据。
表2 多种模型在nuScenes验证集上性能对比数据
从表2可以看出，与其他模型相比，本申请提出的方法在nuScenes验证集上实现了优异的性能，获得约4% -15%的性能增益；此外，本申请提出的方法取得了比最先进的多视图融合方法（2dpass）获得了更好的结果，与之比较mIoU提高了0.6%。而对于一些需要更加详细语义特征的对象，如行人和交通锥，我们提出的方法取得了良好的性能，这也表明了所提出的方法的有效性，可以有效解决自动驾驶场景的难点。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。

Claims (5)

1.一种基于激光雷达的自动驾驶导航方法，其特征在于，包括如下步骤：
S1：获取激光点云；
S2：采用圆柱形分割将所述激光点云进行重分配得到圆柱特征；采用多层感知机对所述激光点云进行特征提取得到点特征；将所述圆柱特征与所述点特征融合得到体素特征；
S3：对所述体素特征进行非对称三维卷积操作，依次执行多次下采样及多次上采样，每次上采样过程均采用三维注意力机制进行监督；
S4：基于K近邻算法和注意力机制执行三次局部特征提取，其中：
第一次局部特征提取的输入特征为所述点特征，输出特征采用跳跃连接的方式与最后一次下采样的输出特征进行融合，得到第一融合特征；
第二次局部特征提取的输入特征为所述第一融合特征，输出特征采用跳跃连接的方式与第一次上采样的输出特征进行融合，得到第二融合特征；
第三次局部特征提取的输入特征为所述第二融合特征，输出特征采用跳跃连接的方式与最后一次上采样的输出特征进行融合，得到最终的融合特征；
S5：对最终的融合特征进行语义分割，依照语义分割的结果，规划最优的导航路线。
2.根据权利要求1所述的基于激光雷达的自动驾驶导航方法，其特征在于，步骤S4中，基于K近邻算法和注意力机制进行局部特征提取的过程具体包括如下步骤：
S21：针对任意中心点云i，基于K近邻算法为其收集固定数量k的相邻点，并为每个相邻点进行位置编码，其中，第j（j=1，2···k）个相邻点的编码位置表示为：
；
式中，表示多层感知机；/>表示中心点云i的坐标；/>表示第j个相邻点的坐标；表示拼接操作；/>表示中心点云i和第j个相邻点的欧几里得距离；
S22：将第j个相邻点的点云特征与编码位置/>进行拼接，得到增强的特征/>，表示为：
；
S23：遍历k个相邻点，将k个相邻点增强后的特征组合作为中心点云i的局部特征，表示为：
；
S24：为局部特征的每个空间位置计算权重，基于注意力机制自动学习重要的局部特征，得到最终输出的局部特征T i ，表示为：
;
；
式中，表示空间位置的权重；/>表示/>操作；/>表示逐元素相乘。
3.根据权利要求1所述的基于激光雷达的自动驾驶导航方法，其特征在于，步骤S3中，三维注意力机制通过计算高层特征和低层特征的权重，然后将权重与输入的特征加权求和以生成最终的输出特征，最终的输出特征F表示为：
；
式中，表示注意力权重；/>表示上采样；/>表示采用/>函数激活；表示3x3x3的卷积；/>表示归一化；/>表示高层特征；/>表示低层特征；
；
；
式中，表示三维注意力机制的计算过程，/>表示三维注意力机制的输入。
4.根据权利要求1所述的基于激光雷达的自动驾驶导航方法，其特征在于，步骤S3中，下采样的执行次数为四次，上采样的执行次数为三次。
5.一种基于激光雷达的自动驾驶导航***，其特征在于，包括：
采集模块：用于获取激光点云；
体素特征提取模块：用于采用圆柱形分割将所述激光点云进行重分配得到圆柱特征；采用多层感知机对所述激光点云进行特征提取得到点特征；将所述圆柱特征与所述点特征融合得到体素特征；
三维非对称卷积网络：用于对所述体素特征进行非对称三维卷积操作，依次执行多次下采样及多次上采样，每次上采样过程均采用三维注意力机制进行监督；
局部特征提取模块：基于K近邻算法执行三次局部特征提取，其中：
第一次局部特征提取的输入特征为所述点特征，输出特征采用跳跃连接的方式与最后一次下采样的输出特征进行融合，得到第一融合特征；
第二次局部特征提取的输入特征为所述第一融合特征，输出特征采用跳跃连接的方式与第一次上采样的输出特征进行融合，得到第二融合特征；
第三次局部特征提取的输入特征为所述第二融合特征，输出特征采用跳跃连接的方式与最后一次上采样的输出特征进行融合，得到最终的融合特征；
路线规划模块：用于对最终的融合特征进行语义分割，依照语义分割的结果，规划最优的导航路线。
CN202410046437.2A 2024-01-12 2024-01-12 基于激光雷达的自动驾驶导航方法及*** Active CN117553807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410046437.2A CN117553807B (zh) 2024-01-12 2024-01-12 基于激光雷达的自动驾驶导航方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410046437.2A CN117553807B (zh) 2024-01-12 2024-01-12 基于激光雷达的自动驾驶导航方法及***

Publications (2)

Publication Number Publication Date
CN117553807A true CN117553807A (zh) 2024-02-13
CN117553807B CN117553807B (zh) 2024-03-22

Family

ID=89813345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410046437.2A Active CN117553807B (zh) 2024-01-12 2024-01-12 基于激光雷达的自动驾驶导航方法及***

Country Status (1)

Country Link
CN (1) CN117553807B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020202305A1 (de) * 2020-02-24 2021-08-26 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Erkennen einer Umgebung eines Fahrzeugs und Verfahren zum Trainieren eines Fusionsalgorithmus für ein Fahrzeugsystem
CN116030255A (zh) * 2023-01-17 2023-04-28 云南大学 一种三维点云语义分割的***及方法
CN116681958A (zh) * 2023-08-04 2023-09-01 首都医科大学附属北京妇产医院 基于机器学习的胎儿肺脏超声影像成熟度预测方法
CN116824585A (zh) * 2023-07-04 2023-09-29 重庆大学 一种基于多级上下文特征融合网络的航空激光点云语义分割方法与装置
WO2023230996A1 (zh) * 2022-06-02 2023-12-07 Oppo广东移动通信有限公司 编解码方法、编码器、解码器以及可读存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020202305A1 (de) * 2020-02-24 2021-08-26 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Erkennen einer Umgebung eines Fahrzeugs und Verfahren zum Trainieren eines Fusionsalgorithmus für ein Fahrzeugsystem
WO2023230996A1 (zh) * 2022-06-02 2023-12-07 Oppo广东移动通信有限公司 编解码方法、编码器、解码器以及可读存储介质
CN116030255A (zh) * 2023-01-17 2023-04-28 云南大学 一种三维点云语义分割的***及方法
CN116824585A (zh) * 2023-07-04 2023-09-29 重庆大学 一种基于多级上下文特征融合网络的航空激光点云语义分割方法与装置
CN116681958A (zh) * 2023-08-04 2023-09-01 首都医科大学附属北京妇产医院 基于机器学习的胎儿肺脏超声影像成熟度预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
王鲁光, 基于点云数据的车辆识别方法研究, 15 September 2021 (2021-09-15), pages 22 - 27 *
钦耀, 基于深度学习的点云语义分割算法研究, 12 September 2023 (2023-09-12), pages 32 - 37 *

Also Published As

Publication number Publication date
CN117553807B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN111832655B (zh) 一种基于特征金字塔网络的多尺度三维目标检测方法
CN109145939B (zh) 一种小目标敏感的双通道卷积神经网络语义分割方法
CN111797716A (zh) 一种基于Siamese网络的单目标跟踪方法
CN109492596B (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及***
CN113706581B (zh) 基于残差通道注意与多层次分类回归的目标跟踪方法
CN104156943B (zh) 基于非支配邻域免疫算法的多目标模糊聚类图像变化检测方法
CN112365511B (zh) 基于重叠区域检索与对齐的点云分割方法
CN113610905B (zh) 基于子图像匹配的深度学习遥感图像配准方法及应用
CN114387265A (zh) 一种基于添加注意力模块的无锚框检测、跟踪统一方法
CN116954233A (zh) 一种巡检任务与航线自动匹配方法
CN114092697A (zh) 注意力融合全局和局部深度特征的建筑立面语义分割方法
CN113627440A (zh) 一种基于轻量级神经网络的大规模点云语义分割方法
CN117689731B (zh) 一种基于改进YOLOv5模型的轻量化新能源重卡电池包识别方法
CN113240219A (zh) 一种土地利用模拟及预测方法
CN117576149A (zh) 一种基于注意力机制的单目标跟踪方法
CN115964640B (zh) 一种改进的基于模板匹配的二次目标分群方法
CN117553807B (zh) 基于激光雷达的自动驾驶导航方法及***
CN115861944A (zh) 一种基于激光雷达的交通目标检测***
CN113887536A (zh) 一种基于高层语义引导的多阶段高效人群密度估计方法
CN115079117A (zh) 一种带定位精度预测的三维目标检测方法
CN112802343A (zh) 面向虚拟算法验证的通用虚拟传感数据采集方法及***
CN111369124A (zh) 一种基于自生成全局特征和注意力的图像美学预测方法
CN114549917B (zh) 一种数据表征增强的点云分类方法
CN117092612B (zh) 基于激光雷达的自动驾驶导航方法
RU2791587C1 (ru) Способ обеспечения компьютерного зрения

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant