[发明专利]一种巡逻车激光雷达探坑算法

权利要求书

1.一种巡逻车激光雷达探坑算法，其特征在于：所述巡逻车激光雷达探坑算法通过对巡逻车运行区域进行空间网格化搭建，采用激光雷达对巡逻车运行前方区域数据进行点云式采集，将采集后的激光点云数据进行中值滤波处理后将其插入到搭建的空间网格中，通过中值滤波处理后的点云数据在空间网格中形成障碍物区域，通过对障碍物区域进行数据化对比分析计算得出巡逻车运行前方区域内的障碍物区域的坐标位置及大小深度信息，将对比分析计算得出的数据信息在影响巡逻车正常运行时，反馈到巡逻车控制系统内，通过巡逻车控制系统控制巡逻车避让障碍物区域行驶，确保巡逻车的正常运行。

2.根据权利要求1中所述的巡逻车激光雷达探坑算法，其特征在于：所述巡逻车激光雷达探坑算法对巡逻车运行区域进行空间网格化搭建，所述空间网格化搭建的范围包括巡逻车周围，激光雷达采集数据时覆盖巡逻车周围360°区域。

3.根据权利要求1中所述的巡逻车激光雷达探坑算法，其特征在于：所述巡逻车激光雷达探坑算法的激光雷达采集的是巡逻车运行前方区域的动态点云数据。

4.根据权利要求1中所述的巡逻车激光雷达探坑算法，其特征在于：所述巡逻车激光雷达探坑算法对比分析计算时调用巡逻车的运动数据。

5.根据权利要求1中所述的巡逻车激光雷达探坑算法，其特征在于：所述巡逻车激光雷达探坑算法的相机采集的是巡逻车运行前方区域的真实点云数据。

6.根据权利要求1中所述的巡逻车激光雷达探坑算法，其特征在于：所述巡逻车激光雷达探坑算法流程为：

步骤1，标校相机和激光雷达，使得标校后的点云数据目标坐标和偏航角均位于相机坐标系下，通过相机检测路面场景的真实点云数据，利用激光雷达检测真实点云数据所对应的点云数据；

步骤2，搭建YOLOv5探坑检测框架，包括：Input端、Backbone、Neck、Outpt端，其中Input端主要包含数据增强、点云尺寸处理、自适应锚框计算，Backbone主要包含Focus结构和CSP结构，Neck包含FPN与PAN结构，Output端包含损失函数和非极大值抑制；

步骤2.1，将点云数据通过Input端输入至YOLOv5探坑检测模型中，通过Mosaic方式增强数据；

步骤2.2，通过Focus结构对图像进行切片操作，扩充输入通道，并通过卷积得到下采样特征图；

步骤2.3，FPN层采用自底向上的特征金字塔结构，将所提取的语义特征与位置特征进行融合，同时将主干层与检测层进行特征融合，使模型获取更加丰富的特征信息；

步骤2.4，采用了GIoU作为损失函数，通过非极大值抑制NMS来筛选目标框；

输出端的损失函数为：

式中，IoU是交并比损失，A^c是网络检测框与标注的最小外接矩形面积，U是检测框与标注并集面积，并选择加权DIOU_NMS算法，优化检测重叠目标的问题，通过下式决定检测锚框是否需要删除：

式中，s_i是对应预测box的分数，M和Bi表示两个不同box，RDIoU是两个box中心点之间的距离，ε表示非极大值抑制阈值；训练完成后，将训练所得的模型通过剪枝和量化处理，获得YOLOv5探坑检测模型；

步骤2.5，通过YOLOv5探坑检测模型检测出点云数据中的探坑目标；

步骤3，将点云数据和真实点云数据进行对齐处理，并通过激光雷达点云数据标注真实图像的所属类别、目标尺寸、位置坐标、偏航角度。