[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

说明书

一种用于提取在定位自动驾驶车辆(ADV)时使用的点云特征的方法包括：从在线点云选择第一组关键点，在线点云由ADV上的LiDAR装置生成，以用于ADV的预测姿势(701)；以及使用在ADV上运行的特征学习神经网络从第一组关键点提取第一组特征描述符(703)。该方法还包括：在预建的点云地图上定位第二组关键点，第二组关键点中的每个关键点均与第一组关键点中的关键点对应(705)；从预建的点云地图提取第二组特征描述符(707)；以及基于第一组特征描述符、第二组特征描述符和ADV的预测姿势来估计ADV的位置和取向。

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用于自动驾驶车辆定位的点云特征提取。

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，本公开提供了一种提取在定位自动驾驶车辆(ADV)时使用的点云特征的计算机实施方法，该方法包括：从在线点云选择第一组关键点，在线点云由ADV上的光探测和测距(LIDAR)装置生成；使用在ADV上运行的特征学习神经网络针对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，第二组关键点中的每个关键点均与第一组关键点中的关键点对应；从预建的点云地图提取第二组特征描述符；以及基于第一组特征描述符、第二组特征描述符和ADV的预测姿势来估计ADV的位置和取向。

在第二方面，本公开提供了一种存储有指令的非暂时性机器可读介质，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：从在线点云选择第一组关键点，在线点云由ADV上的光探测和测距(LIDAR)装置生成；使用在ADV上运行的特征学习神经网络针对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，第二组关键点中的每个关键点均与第一组关键点中的关键点对应；从预建的点云地图提取第二组特征描述符；以及基于第一组特征描述符、第二组特征描述符和ADV的预测姿势来估计ADV的位置和取向。

在第三方面，本公开提供了一种用于提取在定位自动驾驶车辆(ADV)时使用的点云特征的系统，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：从在线点云选择第一组关键点，在线点云由ADV上的光探测和测距(LIDAR)装置生成；使用在ADV上运行的特征学习神经网络针对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，第二组关键点中的每个关键点均与第一组关键点中的关键点对应；从预建的点云地图提取第二组特征描述符；以及基于第一组特征描述符、第二组特征描述符和ADV的预测姿势来估计ADV的位置和取向。

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。