[发明专利]点云数据加速处理方法、装置、电子设备、存储介质

说明书

本发明提供一种点云数据加速处理方法、装置、电子设备、存储介质。点云数据基于柱形特征网络处理，方法包括：基于第一工作组，计算待处理点云数据的第一特征数据，特征数据包括雷达特征以及图像特征，待处理点云数据离散至第一坐标平面的网格中，形成体素柱状集，所述体素柱状集包括P个柱状体素，所述第一工作组包括P个第一处理单元，每个第一处理单元执行第一核函数以对所述待处理点云数据的一个柱状体素进行处理，获得该柱状体素的雷达特征；基于第二工作组，对所述待处理点云数据的第一特征数据进行综合处理，获得第二特征数据；根据所述第二特征数据，获得所述待处理点云数据的伪图像。本发明优化柱形特征网络的加速框架，减少推理耗时。

技术领域

本发明涉及雷达点云数据处理领域，尤其涉及一种点云数据加速处理方法、装置、电子设备、存储介质。

背景技术

近年来，随着自动驾驶和机器人等人工智能技术的快速发展，点云学习越来越引起人们的关注。作为人工智能领域的主要技术，深度学习已经成功用于解决各种二维视觉问题。然而深度神经网络处理点云的过程中却面临的独特挑战，点云上的深度学习仍处于起步阶段。在点云上实现三维目标检测通常采用三维卷积、投影到前视图或者鸟瞰图来实现。其中，投影到前视图或者鸟瞰图的方式受到点云的稀疏性的限制，使得卷积无法较好的提取特征，效率低下。三维卷积的缺点是计算量较大，导致网络的推理速度较慢。为了加速，柱形特征网络(Pillar Feature Net，PFE)会将点云体素化为三维网格，并使得柱状体素在体素的垂直列上不做分割，从而移除了三维卷积的操作。柱形特征网络无需手工编码的过程，利用了点云的所有信息，且无需要调节的参数；且其运算均为二维卷积，计算更为高效；同时，柱形特征网络还可以迁移至其它点云数据。

柱形特征网络需要将激光雷达的三维坐标转换为二维伪图像，而柱形特征网络中存在大量的非卷积计算，在各推理框架中的速度不是很理想。

目前的柱形特征网络的推理加速框架存在如下问题：针对复杂的加减乘除运算，会生成非常复杂的运算图，优化效率低；针对单层算子加速优化，不能有效减少层与层之间的交互耗时。

由此，如何优化柱形特征网络的加速框架，减少推理耗时，是本领域技术人员亟待解决的技术问题。

发明内容

本发明为了克服上述现有技术存在的缺陷，提供一种点云数据加速处理方法、装置、电子设备、存储介质，以优化柱形特征网络的加速框架，减少推理耗时。

根据本发明的一个方面，提供一种点云数据加速处理方法，所述点云数据基于柱形特征网络处理，所述方法包括：

基于第一工作组，计算待处理点云数据的第一特征数据，所述特征数据包括雷达特征以及图像特征，所述待处理点云数据离散至第一坐标平面的网格中，形成体素柱状集，所述体素柱状集包括P个柱状体素，所述第一工作组包括P个第一处理单元，每个第一处理单元执行第一核函数以对所述待处理点云数据的一个柱状体素进行处理，获得该柱状体素的雷达特征；

基于第二工作组，对所述待处理点云数据的第一特征数据进行综合处理，获得第二特征数据，所述综合处理包括拼接处理、线性变换处理、批归一化处理、激活处理以及取最大值处理中的一项或多项；

根据所述第二特征数据，获得所述待处理点云数据的伪图像。

在本申请的一些实施例中，所述第一工作组的各第一处理单元的输出连接至全局内存，所述第一工作组和所述第二工作组由图形处理器执行，所述全局内存为所述图形处理器和中央处理器的共享存储器。

在本申请的一些实施例中，所述第二工作组具有三维工作队列，所述第二工作组包括P个并行计算的第二计算单元，每个所述第二计算单元包括并行计算的2*M个第二处理单元，每个所述第二处理单元执行第二核函数以对所述第一特征数据形成的矩阵中的一行雷达特征/图像特征进行综合处理，M为大于0的整数。

在本申请的一些实施例中，在所述第二核函数中，所述拼接处理与线性变换处理合并为一个算子。