一种基于激光雷达的深度学习位置识别算法制造技术

动态环境中的点云位置识别技术难以同时兼备检测精度高

【技术实现步骤摘要】
一种基于激光雷达的深度学习位置识别算法


[0001]本文专利技术一种基于激光雷达的深度学习位置识别算法用来提高位置识别的精度和速度
。
技术背景
[0002]近年来，一些基于视觉的位置识别方法被提出，但视觉传感器对光线具有高度的敏感性，难以运用于动态环境下；作为可靠的替补措施，
3D
激光雷达可以获取准确而详细的三维信息，这些信息固有地不受光照变化的影响；不过基于
3D
激光雷达的位置识别方法也会因为传感器遮挡和视点变化等环境因素而得不到一个有效且鲁棒的检测效果
。
[0003]从最近的学术研究来看，动态环境中基于点云的位置识别技术由于传感器遮挡和视点变化等环境因素精度和鲁棒性难以得到保证；现有检测精度高的方法网络模型太大，网络模型小的方法检测速度又不够快，难以运用在现实场景中；为了解决上述问题，我们结合特征点提取和
Transformer
提出了一个高效轻量的点云点云位置识别学习网络
。

技术实现思路

[0004]动态环境中的点云位置识别技术难以同时兼备检测精度高
、
检测速度快和模型计算量小的优点
。
[0005]本文采用特征点提取模块极大降低点云规模并保留数据特征，以此来减轻环境变化对数据采集的影响，设计了
PointTransformer
模块引入了一种能促进局部信息交换的多头注意力来控制计算量，增强了模型的表达能力，以此来提高点云位置识别的精度和速度并减少网络计算量
。
[0006]一种基于激光雷达的深度学习位置识别算法，其方法步骤如下：
[0007]步骤一：首先计算激光雷达获取的点云数据中每一个点的
horizontalindex
和
scanindex
；公式表述分别为：
[0008][0009][0010]其中，
x
，
y
和
z
是每一个点的三维坐标值；
δ
是激光雷达水平轴下能扫描到的角度绝对值；
[0011]步骤二：循环每一个点，使用与该点
r
i
处在同一个
scanindex
并且
horizontalindex
最为接近的前后各五个点组成的子点云
S
计算该点的曲率值；若该点的曲率值小于一定阈值则舍去；最终得到特征点；公式表述为：
[0012][0013]C
i
<
σ
(4)
[0014]步骤三：特征点被复制成等大的3份数据
K,Q,V
用
MultiHeadAttention
处理得到
局部描述子；其公式表述为：
[0015]MultiHead(Q,K,V)
＝
Concat(head1,...,head
h
)W
O
(4)
[0016][0017]其中
,W
iQ
，
W
iK
和
W
iV
∈R
D
×
(D/h)
,W
O
∈R
D
×
D
，都是可学习的参数矩阵；
[0018]步骤四：通过
FeatureAttention
赋予局部描述子权重聚合全局描述子；其公式表述为：
[0019][0020]其中，
N
为局部描述子个数，
u
为局部描述子，
J
为可学习的矩阵参数；
[0021]步骤五：通过对比全局描述子相似度得到相应场景相似度；其公式描述为：
[0022][0023]其中
ω
[1:s]∈R
D
×
D
×
S
，
α
∈R
2D
×
S
是可学习的矩阵参数，
b∈R
S
是可学习的向量参数，
S
是全局描述子的维度大小
。
[0024]步骤六：在测试阶段，到步骤五就结束了，在训练阶段，通过得到场景相似度输出再返回输入处对比真实值，通过对比与真实值的差值，重新再在下一次的训练中修改权重参数，达到让模型具有学习的功能
。
[0025]本文的创造性主要体现在
:
冗余的原始点云首先进行了特征点提取，去除了无意义点大量减少了点云规模进而减少了计算量；
PointTransformer
模块很好地学习到了特征点的局部特征并聚合有辨别性的全局描述子
。
附图说明
[0026]说明书附图图1是本专利技术的总体流程图
[0027]说明书附图图2是
Muti
‑
HeadAttention
的流程图
[0028]说明书附图图3是
FeatureAttention
的流程图
[0029]说明书附图图4是
FeatureSimilarityNetwork
的流程图
[0030]说明书附图图5是部分实验结果图示
具体实施方案
[0031]如图1整体流程所示，本文专利技术一种基于激光雷达的深度学习位置识别算法
。
[0032]首先在两个配对场景提取的点云数据经
FeaturePointExtrarction
模块得到具有丰富特征的子点云
。
然后通过
PointTransformer
模块中
Muti
‑
HeadAttention
层提取局部描述子
F
L
，
FeatureAttention
层聚合有区别的全局描述子
。
最后将配对的两个全局描述子
e1和
e2传入
Featuresimilaritynetwork
模块求得场景相似度
。
具体包括以下步骤：
[0033]在场景中使用激光雷达传感器采集原始点云
。
[0034]原始点云首先被投影成
Rangeimage
然后计算每一个点的
scanindex
和
horizontalindex。
[0035]循环遍历原始点云中每一个点，通过与该点处在同一个
scanindex
并且
horizontal index
最为接近的前后各五个点组成的子点云
S
计算该点的曲率值，若该点的曲率值小于一定阈值则舍去；最终剩下的便是特征点；
[0036]如图2所示，先使用线本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于激光雷达的深度学习位置识别算法，其特征在于以下步骤，步骤一：首先计算激光雷达获取的点云数据中每一个点的
horizontalindex
和
scanindex
；公式表述分别为：；公式表述分别为：其中，
x
，
y
和
z
是每一个点的三维坐标值；
δ
是激光雷达水平轴下能扫描到的角度绝对值；步骤二：循环每一个点，使用与该点
r
i
处在同一个
scanindex
并且
horizontalindex
最为接近的前后各五个点组成的子点云
S
计算该点的曲率值；若该点的曲率值小于一定阈值则舍去；最终得到特征点；公式表述为：
C
i
<
σ
(4)
步骤三：特征点被复制成等大的3份数据
K,Q,V
用
MultiHeadAttention
处理得到局部描述子；其公式表述为：
MultiHead(Q,K,V)
＝
Concat(head1,...,head
h
)W
O
(4)
其中
...

【专利技术属性】
技术研发人员：叶涛，严翔明，汪寿安，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：