[发明专利]自动驾驶车辆中使用3D CNN网络进行解决方案推断的LIDAR定位

权利要求书

1.一种用于在光探测和测距(LiDAR)定位中使用神经网络进行解决方案推断的计算机实施方法，所述方法包括：

在解空间中构建用于自动驾驶车辆的预测姿势的成本量，其中，所述成本量包括多个子量，每个子量表示来自在线点云的关键点与预建的点云地图上的相应关键点之间的匹配成本；

使用多个常规神经网络(CNN)来使所述成本量正则化以细化所述匹配成本；以及

从所正则化的成本量推断所述预测姿势的最佳偏移，所述最佳偏移用于确定所述ADV的位置。

2.根据权利要求1所述的方法，其中，所述多个CNN中的每个均共享同一组参数，并且均包括多个常规层，其中，所述多个常规层中的至少一层是使用批量归一化和修正线性单元的3D常规层。

3.根据权利要求1所述的方法，其中，所述预测姿势的解空间包括通过从所述在线点云选择的一组关键点限定的空间，其中，所述一组关键点中的每个均与预定数量的相邻点相关联，并且均与所述一组关键点的其余关键点具有最小距离。

4.根据权利要求3所述的方法，其中，基于从所述在线点云和所述预建的点云地图提取的特征描述符来构建所述成本量，其中，从所述在线点云提取的每个特征与关键点和预定数量的相邻LiDAR点对应。

5.根据权利要求3所述的方法，其中，构建所述成本量还包括计算每对相应的特征描述符之间的度量距离，其中，所述度量距离是多维向量，其中每个元素通过将距描述符对中的相应的一个的距离求平方值而计算。

6.根据权利要求3所述的方法，其中，构建所述成本量还包括：

将所述解空间划分成多个离散空间，每个离散空间与所述一组关键点中的一个对应；

基于相应的关键点及其相关的相邻LiDAR点占据的空间，针对每个离散空间确定出翻滚角维度、俯仰角维度和偏航角维度的大小；以及

基于用于所述预测姿势的多个特征描述符和针对每个离散空间的每个维度的大小来构建所述成本量。

7.根据权利要求1所述的方法，其中，所述成本量的每个子量还与来自所述在线点云的具有其相关特征描述符的关键点、转换以及来自所述预建的点云地图的相应特征描述符相关。

8.一种提取用于在光探测和测距(LiDAR)定位中使用神经网络来进行解决方案推断的点云特征的系统，所述系统包括：

处理器；以及

存储器，所述存储器联接至所述处理器以存储指令，所述指令在由所述处理器运行时使得所述处理器执行以下操作，所述操作包括：

在解空间中构建用于自动驾驶车辆的预测姿势的成本量，其中，所述成本量包括多个子量，每个子量表示来自在线点云的关键点与预建的点云地图上的相应关键点之间的匹配成本；

使用多个常规神经网络(CNN)来使所述成本量正则化以细化所述匹配成本；以及

从所正则化的成本量推断所述预测姿势的最佳偏移，所述最佳偏移用于确定所述ADV的位置。

9.根据权利要求8所述的系统，其中，所述多个CNN中的每个均共享同一组参数，并且均包括多个常规层，其中，所述多个常规层中的至少一层是使用批量归一化和修正线性单元的3D常规层。

10.根据权利要求8所述的系统，其中，所述预测姿势的解空间包括通过从所述在线点云选择的一组关键点限定的空间，其中，所述一组关键点中的每个均与预定数量的相邻点相关联，并且均与所述一组关键点的其余关键点具有最小距离。

11.根据权利要求10所述的系统，其中，基于从所述在线点云和所述预建的点云地图提取的特征描述符来构建所述成本量，其中，从所述在线点云提取的每个特征与关键点和预定数量的相邻LiDAR点对应。