[发明专利]用于自动驾驶车辆的LIDAR定位的基于深度学习的特征提取有效
申请号: | 201980002109.X | 申请日: | 2019-01-30 |
公开(公告)号: | CN111971574B | 公开(公告)日: | 2022-07-22 |
发明(设计)人: | 卢维欣;周尧;万国伟;候深化;宋适宇 | 申请(专利权)人: | 百度时代网络技术(北京)有限公司;百度(美国)有限责任公司 |
主分类号: | G01S7/40 | 分类号: | G01S7/40;G01C21/00 |
代理公司: | 北京英赛嘉华知识产权代理有限责任公司 11204 | 代理人: | 马晓亚;王艳春 |
地址: | 100080 北京市海淀区东*** | 国省代码: | 北京;11 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用于 自动 驾驶 车辆 lidar 定位 基于 深度 学习 特征 提取 | ||
1.一种提取在定位自动驾驶车辆时使用的点云特征的计算机实施方法,所述方法包括:
从在线点云选择第一组关键点,所述在线点云由所述自动驾驶车辆上的光探测和测距装置生成;
使用在所述自动驾驶车辆上运行的特征学习神经网络针对所述第一组关键点提取第一组特征描述符;
在预建的点云地图上定位第二组关键点,所述第二组关键点中的每个关键点均与所述第一组关键点中的关键点对应;
从所述预建的点云地图提取第二组特征描述符;以及
基于所述第一组特征描述符、所述第二组特征描述符和所述自动驾驶车辆的预测姿势来估计所述自动驾驶车辆的位置和取向。
2.根据权利要求1所述的方法,还包括从所述第一组特征描述符和所述第二组特征描述符构建成本量,所述成本量中的每个子量表示所述第一组关键点中的一个与所述第二组关键点中的具有给定偏移的相应关键点之间的匹配成本。
3.根据权利要求1所述的方法,其中,使成本量减少并且使所述成本量正则化以供多个不同类型的神经网络使用,以获得在确定所述自动驾驶车辆的最佳姿势时使用的最佳偏移。
4.根据权利要求1所述的方法,其中,所述第一组关键点和所述第二组关键点中的每个均是光探测和测距点,以及其中,所述第一组关键点和所述第二组关键点具有固定数量的关键点。
5.根据权利要求4所述的方法,其中,选择所述第一组关键点还包括:
遍历在围绕所述自动驾驶车辆的预测姿势的预定区域中的光探测和测距点以定位多个候选光探测和测距点,每个候选光探测和测距点在该候选光探测和测距点的邻域中具有预定密度的光探测和测距点;
使用3D结构张量评估所述候选光探测和测距点中的每个的线性度,其中,基于所述评估,对每个候选光探测和测距点的线性度分配值;
基于所述多个候选光探测和测距点的分配的值对所述多个候选光探测和测距点进行排序;以及
基于所排序的候选光探测和测距点来选择所述固定数量的候选光探测和测距点。
6.根据权利要求5所述的方法,其中,所述固定数量的候选光探测和测距点中的每个新选择的光探测和测距点均与已选择的一个或多个现有光探测和测距点保持预定距离。
7.根据权利要求1所述的方法,其中,所述特征学习神经网络包括多个微型神经网络,每个微型神经网络针对所述第一组关键点中的一个关键点而提供,其中,每个微型神经网络均
沿着该关键点的z轴应用柱体以收集预定数量的相邻光探测和测距点,每个相邻光探测和测距点均具有反射强度和对于该关键点的相对坐标;以及
基于相关联的相邻光探测和测距点的相对坐标和反射强度来提取该关键点的特征描述符。
8.根据权利要求1所述的方法,其中,所述特征学习神经网络包括多个微型神经网络,每个微型神经网络针对所述第二组关键点中的一个关键点而提供,其中,每个微型神经网络均
沿着该关键点的z轴应用柱体以收集预定数量的相邻光探测和测距点,每个相邻光探测和测距点均具有反射强度和对于该关键点的相对坐标;以及
基于相关联的相邻光探测和测距点的相对坐标和反射强度来提取该关键点的特征描述符。
9.根据权利要求8所述的方法,其中,在针对所述第二组关键点中的关键点没有找到所述预定数量的相邻光探测和测距点的情况下,全连接网络将提取该关键点的特征描述符。
10.根据权利要求1所述的方法,其中,使用由2×2旋转矩阵和2D平移向量表示的变换来计算所述预建的点云地图上的所述第二组关键点中的每一个的坐标。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于百度时代网络技术(北京)有限公司;百度(美国)有限责任公司,未经百度时代网络技术(北京)有限公司;百度(美国)有限责任公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201980002109.X/1.html,转载请声明来源钻瓜专利网。