[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

说明书

在LIDAR定位中使用神经网络进行解决方案推断的方法包括在解空间中构建用于自动驾驶车辆(ADV)的预测姿势的成本量。该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(1001)。该方法还包括使用常规神经网络(CNN)来使所述成本量正则化以匹配成本细化匹配成本(1003)；以及从所正则化的成本量推断预测姿势的最佳偏移。最佳偏移可以用于确定所述ADV的位置(1005)。

技术领域

本公开的实施方式总体涉及操作自动驾驶车辆。更具体地，本公开的实施方式涉及在用于自动驾驶车辆定位的光探测和测距(LIDAR) 定位中使用神经网络进行解决方案推断。

背景技术

自动驾驶车辆(ADV)可以将乘客(尤其是驾驶员)从一些驾驶相关的职责中解放出来。当以自动驾驶模式运行时，车辆可以使用车载传感器以及高清地图导航到各个位置，从而允许车辆在最少人机交互的情况下或在没有任何乘客的一些情况下驾驶。

为了安全驾驶，ADV需要精确且可靠地估计其位置和取向。理想情况下，ADV的定位需要精确到厘米和次级度(sub-degree)的方位角。使用光探测和测距(LIDAR)扫描仪的现有定位方法在定位管线中通常需要若干阶段。虽然现有方法中的一些在不同场景的定位精度和鲁棒性方面具有出色的性能，但它们通常需要大量的工程性工作来对管线中的一些阶段进行硬编码并进行微调，并且对某些场景具有强烈的偏好。另一方面，虽然神经网络已经用来处理语义并且已经实现了良好的结果，但是神经网络在解决与3D几何相关的任务(例如，定位问题)方面是存在欠缺的。

发明内容

在第一方面，本公开提供了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，该方法包括：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，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)来使成本量正则化以匹配成本细化匹配成本；以及从所正则化的成本量推断预测姿势的最佳偏移，最佳偏移用于确定ADV的位置。

在第二方面，本公开提供了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，该系统包括：处理器；以及存储器，所述存储器联接至处理器以存储指令，所述指令在由处理器运行时使得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，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)来使成本量正则化以匹配成本细化匹配成本；以及从所正则化的成本量推断预测姿势的最佳偏移，最佳偏移用于确定ADV 的位置。

在第三方面，本公开提供了一种存储有指令的非暂时性机器可读介质，指令在由处理器运行时使得处理器执行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，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)来使成本量正则化以匹配成本细化匹配成本；以及从所正则化的成本量推断预测姿势的最佳偏移，最佳偏移用于确定ADV的位置。

附图说明

本公开的实施方式以示例而非限制的方式示出在附图的各图中，附图中相似的附图标记指示相似的元件。

图1是示出根据本公开的一个实施方式的自动驾驶车辆网络配置的框图。

图2是示出根据一个实施方式的自动驾驶车辆的示例的框图。

图3A至图3B是示出根据一个实施方式的与自动驾驶车辆一起使用的感知与规划系统的示例的框图。

图4示出了根据本发明实施方式的基于学习的LiDAR定位系统。