【技术实现步骤摘要】
本专利技术涉及基于深度学习的智能汽车激光雷达点云异常检测方法。
技术介绍
1、建立完善的安全标准，保障行驶过程中的安全性，对智能汽车尤其是无人驾驶汽车来说十分重要。在智能汽车系统中，相机、激光雷达等感知传感器捕获环境信息，为系统的规划决策提供了重要基础。因此，确保感知传感器的正常运行或者对故障传感器进行排除对实现智能汽车安全性来说也十分重要。目前，激光雷达在高级别无人驾驶汽车中扮演着关键的角色。然而在实际运行中，复杂的环境因素会对激光雷达产生各种各样的干扰。根据激光雷达的检测原理可知，恶劣的天气条件(雨天、雪天、雾天等)下空气中包含的颗粒会影响光线的散射或反射，进而导致激光雷达产生不期望的噪声。同时还可能导致雷达面板的污染，引发更严重的故障。根据激光雷达内部结构的不同，机械故障或外部信号干扰都会导致点云结果的异常。这些包含噪声的异常结果可能会严重影响感知算法的性能，最终对整个系统产生灾难性的影响。过去的文献已经在激光雷达故障检测方面取得了大量的成果。一些工作建立了恶劣天气条件下的激光反射或散射数学模型，在理论上给出了激光雷达性能退化的一些结果。还有一些工作直接从最终的点云结果出发，通过改进的聚类算法将聚类效果较差的点看作噪点或者异常点。最新的一个工作提出了一个普适性的异常检测算法，通过对空间相关性的计算和点云强度异常分析来判断是否为异常结果。该方法可以检测由异常天气和信号干扰等因素引起的点云异常。考虑到实际情况下引起异常的因素较为复杂，难以建立精确的模型，一些工作使用深度学习算法来实现故障检测与分类。虽然深度学习模型可以处理非常
技术实现思路
1、本专利技术的目的是为了解决现有使用深度学习模型对点云进行密集异常检测存在数据标注问题，以及如何在实现密集异常检测的同时保障实时性的问题，而提出一种基于深度学习的智能汽车激光雷达点云异常检测方法。
2、一种基于深度学习的智能汽车激光雷达点云异常检测方法具体过程为：
3、步骤一、搭建深度学习模型；
4、步骤二、将仿真的异常点云批量输入深度学习模型，得到重建的无噪声点云和异常类别；
5、根据重建的无噪声点云和异常类别计算多任务损失函数，直至深度学习模型收敛，获得训练好的深度学习模型；
6、步骤三、将待测点云输入训练好的深度学习模型，得到重建的无噪声点云和异常类别；
7、当待测点云的异常类别为无异常时，则待测点云异常检测结果为没有任何异常；
8、当待测点云的异常类别为无法处理的异常时，则待测点云为异常点云；
9、当待测点云的异常类别为某个可处理的异常时，基于重建的无噪声点云中第k个点的距离与输入待测点云中第k个点的距离计算相对距离差的绝对值，当相对距离差的绝对值大于阈值时，待测点云中第k个点为异常点，当相对距离差的绝对值小于等于阈值时，待测点云中第k个点不识别为异常点；直至判断完待测点云中所有点是否为异常点；
10、所述点云为仿真的车载激光雷达传感器获取点云数据。
11、本专利技术的有益效果为：
12、本专利技术将点云异常检测问题转化为点云去噪问题，在实现密集点云异常检测的同时可以利用仿真数据缓解异常点云数据标注的难题。
13、本专利技术将局部点云特征和全局点云特征解耦。使用轻量化的深度学习模块实现局部点云特征的实时提取。此外，本专利技术还将点云划分为多个窗口，将每个窗口内的点云输入给局部点云特征提取模块，这样可以减小对局部点云特征提取模块感受野的要求。
14、本专利技术提出的多任务损失函数在点云重建损失函数的基础上添加了异常类型分类损失函数和点云质量对齐损失函数。其中异常类型分类损失函数一方面可以对全局特征提取网络进行监督，另一方面异常类型分类结果还为最终的点云异常检测结果提供了重要依据。在点云几乎没有异常或异常十分严重的情况下保证了合理的异常检测结果。
15、此外，常规的点云重建损失函数只考虑了单一点云的重建质量，但相邻点云之间往往存在一定的相关性。本专利技术进一步提出点云质量对齐损失函数来确保点云重建结果的局部一致性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤一中搭建深度学习模型；具体过程为：
3.根据权利要求2所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤二中将仿真的异常点云批量输入深度学习模型，得到重建的无噪声点云和异常类别；具体过程为：
4.根据权利要求3所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤二三一中将仿真的异常3D点云投影为一个2D图像；具体过程为：
5.根据权利要求4所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤二中根据重建的无噪声点云和异常类别计算多任务损失函数；具体过程为：
6.根据权利要求5所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述重建的无噪声点云的每个窗口内全部点的空间自相关性KA计算公式如下：
7.根据权利要求6所述的一种基于深
8.根据权利要求7所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述预定义的权重值wij定义如下：
9.根据权利要求8所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述第一3×3卷积层的步长为2；
10.根据权利要求9所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤四中
...【技术特征摘要】
1.一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述方法具体过程为：
2.根据权利要求1所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤一中搭建深度学习模型；具体过程为：
3.根据权利要求2所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤二中将仿真的异常点云批量输入深度学习模型，得到重建的无噪声点云和异常类别；具体过程为：
4.根据权利要求3所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤二三一中将仿真的异常3d点云投影为一个2d图像；具体过程为：
5.根据权利要求4所述的一种基于深度学习的智能汽车激光雷达点云异常检测方法，其特征在于：所述步骤二中根据重建的无噪声点云和异常类别计算多任务...
【专利技术属性】
技术研发人员：潘惠惠，高会军，洪源铎，孙维超，王宇雷，边宁，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。