[发明专利]一种基于多视图的无人驾驶场景聚类方法及系统

说明书

本发明公开了一种基于多视图的无人驾驶场景聚类方法及系统，包括以下步骤：获取无人驾驶车辆当前多视图数据，并进行标准化处理；基于迁移学习对每个视图进行聚类分析：(1)根据设定的类别数分别进行聚类分析，得到当前隶属度矩阵；(2)根据该视图与其他视图的当前隶属度矩阵，以及设定的迁移学习因子，对隶属度矩阵进行更新，得到新的聚类中心，并更新视图的权重；根据迁移学习前后的聚类结果，判断是否需要继续进行迁移学习，若是，更新迁移学习因子，对每个视图再次进行聚类分析，若否，聚类结束，得到无人驾驶场景的道路识别结果。本发明通过基于激光雷达数据和图像数据两个视图进行场景中道路的识别，数据的利用更为充分，识别精度高。

技术领域

本发明属于多视图聚类领域，尤其涉及一种基于多视图的无人驾驶场景聚类方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

无人驾驶主要由感知、决策和控制这三个部分组成,而感知是其中极其重要的一环。通过装备在汽车上的摄像头、激光雷达、毫米波雷达等传感器感知获取多视图数据，快速准确的获取自身位置和周围目标的位置、大小和运动方向等信息,从而保障无人驾驶车辆安全平稳的行驶在道路上。因此，无人驾驶场景中道路和周围目标的检测和分类至关重要。

传统的场景检测主要基于图像、激光点云数据等，借助于神经网络、聚类等机器学习方法实现。其中，聚类算法作为一种无监督的机器学习方法得到广泛应用。聚类方法按其内在原理又可细分为多种类别，包括划分聚类、密度聚类和层次聚类等。显然，传统的聚类方法对多视图数据已经不再适用。目前已有的多视图聚类方法包括多视图图聚类、多视图子空间聚类、基于多核的多视图聚类、多任务多视图聚类和协同多视图聚类等。其中，协同多视图聚类算法因其可以有效地利用先验知识并且能够通过多个视图之间的信息交互来最大化多个视图的一致性，在学术界展开了深入的研究。但是，目前的协同多视图聚类算法的协同学习方法仍然难以有效地挖掘多视图之间的潜在互补信息，无法获得较好的聚类效果，导致无人驾驶场景中目标的识别精度较低。此外，这些算法为了保证多视图的协同效果往往涉及大量的参数，然而在实际应用中人工选择这些参数是非常困难的。

为了解决传统聚类算法因目标数据不充分而导致聚类性能低下的问题，大量的科研工作者将迁移学习的思想引入到聚类中，提出了众多迁移聚类算法。基本思想都是通过学习从聚类较为充分的源域中获得的知识来提高目标域数据的聚类性能。但是，目前的迁移聚类方法大都是针对于单视图数据进行聚类，并不适用于无人驾驶多视图数据的聚类。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于多视图的无人驾驶场景聚类方法及系统。本发明通过基于激光雷达数据和图像数据两个视图进行场景中道路的识别，实现迁移学习技术和协同多视图聚类算法的有机结合，数据的利用更为充分，识别精度更高。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于多视图的无人驾驶场景聚类方法，包括以下步骤：

获取无人驾驶车辆当前多视图数据，所述多视图数据包括激光雷达数据和图像数据；

基于迁移学习对每个视图进行聚类分析：

(1)根据设定的类别数分别进行聚类分析，得到当前隶属度矩阵；

(2)根据该视图与其他视图的当前隶属度矩阵，以及设定的迁移学习因子，对隶属度矩阵进行更新，得到新的聚类中心，并更新视图的权重；

根据迁移学习前后的聚类结果，判断是否需要继续进行迁移学习，若是，更新迁移学习因子，对每个视图再次进行聚类分析，若否，聚类结束，得到无人驾驶场景的道路识别结果。

进一步地，获取多视图数据后，还进行标准化处理：分别基于激光雷达数据和图像数据获取无人驾驶车辆前方的深度数据，得到多维数据集。