[发明专利]一种基于深度学习的点云物体姿态估计方法、装置及其设备

权利要求书

1.一种基于深度学习的点云物体姿态估计方法，其特征在于，包括步骤：

获取需要学习的数据；

网络模型的设计；

模型的训练；

模型的预测；

其中，所述网络模型的设计具体包括：

将点云物体姿态估计问题建模为无区别的多分类问题；

设计残差块结构来提取点云物体的特征；

将经过所述残差块结构获取的特征通过最大池化层获取全局特征；

将经过最大池化层获取的所述全局特征分别送入三个并行的多层感知机做坐标轴的预测类别得分；

使用分类器对分别经过所述多层感知机做坐标轴的预测类别得分后的特征做最后的类别预测；

对经过所述三个并行分类器处理后得到的损失值进行等权重的求和，并将此和作为整体的多分类损失函数；

使用适应性矩估计对多分类损失函数进行优化，

所述设计残差块结构来提取点云物体的特征包括步骤：

网络输入首先通过第一卷积层做卷积操作输出特征图；

将第一卷积层做卷积操作输出特征图输入第二卷积层做卷积操作输出特征图；

将第二卷积层做卷积操作输出的特征图分别通过Block1和Block2；

其中，Block1包含三个卷积层，Block2包含两个卷积层；

其数学原理公式为：

y＝σ(w^Tx+b)； 1

y1＝σ(w1^Ty+b1+y)； 2

y2＝σ(w2^Ty1+b2+y1)； 3

y3＝σ(w3^Ty2+b3+y2)； 4

y4＝σ(w4^Ty3+b4+y3)； 5

y5＝σ(w5^Ty4+b5+y4)； 6

其中“σ”表示激活函数，对应函数Relu：max{0,x}；

“x”表示网络的原始输入；

“y”表示第0层卷积网络层的输出结果同时也是下一层卷积层的输入的一部分，“y1,y2,y3,y4,y5”含义与“y”相同，其中不同的数字表示处于不同的卷积层，卷积层序数从0开始计数；

“w^T”表示卷积层权重矩阵，即与当前卷积层的输入做矩阵叉乘；

“b”代表偏置参数。

2.根据权利要求1所述的基于深度学习的点云物体姿态估计方法，其特征在于，所述使用分类器对分别经过所述多层感知机做坐标轴的预测类别得分后的特征做最后的类别预测包括：

使用交叉熵损失函数作为分类器，进行最后的类别预测，公式如下：

公式10为softmax计算公式，用于计算网络的前向传播最终得分；

公式11为损失函数，其中“b”代表批尺寸batch size。