【技术实现步骤摘要】
本专利技术涉及地图构建，具体为一种基于神经辐射场的三维点云语义地图构建方法。
技术介绍
1、slam（simultaneous localization and mapping）是一种集成了定位和地图构建的技术，主要应用于移动机器人、自动驾驶车辆等领域。slam的目标是使机器能够在未知环境中实时定位自己的位置，并同时构建环境的地图。对于slam系统，可以使用多种传感器（如激光雷达、相机、惯性测量单元等）作为数据输入，进行单一传感器建图或者传感器融合建图。融合建图利用传感器之间的特性互补，可实现精确定位和高精度三维地图重建效果，但成本往往较高。
技术实现思路
1、（一）解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于神经辐射场的三维点云语义地图构建方法，具备仅通过激光雷达实现精准构建地图等优点，解决了上述技术问题。
3、（二）技术方案
4、为实现上述目的，本专利技术提供如下技术方案：一种基于神经辐射场的三维点云语义地图构建方法，包括以下步骤：
5、s1、建立隐式语义地图架构；
6、s1.1、输入点云数据，采用语义分割算法和全景分割算法分别对每个输入的点云数据添加一个点云标签；
7、s1.2、构建几何神经场，具体为：几何特征向量集合和经过几何浅层多层感知器得到的周围环境的符号距离场输出值，几何神经场构建的具体步骤如下：
8、s1.2.1、对给定空间中的任意点，采用莫顿编码将三维坐标转化为
9、s1.2.2、对应八叉树的特定层级，通过哈希表检索相应层级节点的八个角的值，并通过执行三线性插值获得该点插值后的特征向量，并沿着当前层级查询直到八叉树的最后三个级别，从粗粒度级别到细粒度级别，其顺序为level 2，level 1，level 0，并对应三个级别生成三个几何特征向量、、；
10、s1.2.3、将三个几何特征向量、、进行累加，，并输入到具有p层隐藏层的几何浅层多层感知器中，输出sdf值；
11、s1.3、对语义分割算法的点云数据，构建语义神经场，语义神经场由语义特征向量集合和语义浅层多层感知器组成，语义特征向量的构建具体为对每个采样点从该点对应八叉树层级的节点中八个角通过哈希表进行提取，每个特征向量的长度为，并通过执行三线性插值获得点的插值后的语义特征向量，该过程重复进行在八叉树的最后三个层级，并经该三个层级获得的特征向量累加即输入到语义浅层多层感知器中以解码获得语义标签；
12、s1.4、构建全景神经场，基于全景特征向量集合和全景浅层多层感知器进行构建全景神经场，具体构建步骤为：
13、将全景特征向量以比率进行分割，长度为的特征向量来存储语义标签，的特征向量来存储其实例id，分别将两部分特征向量到两个单独的 mlp 中，得到回归最终的全景标签；
14、s1.5、将得到的特征向量存储到八叉树中；
15、s2、模型训练，依据构建地图的不同方式对模型设置多个损失函数，损失函数包括：
16、增量语义建图损失函数：
17、
18、增量全景建图损失函数：
19、
20、批量语义建图损失函数：
21、
22、批量全景建图损失函数：
23、
24、其中，、、、、分别表示二元交叉熵损失函数、程函损失函数、正则项损失函数、多元交叉熵损失函数、全景损失函数，，，，是用于调整损失函数的权重的超参数；
25、s3、地图融合，使用nicp算法对整个区域的地图进行融合。
26、作为本专利技术的优选技术方案，所述步骤s2中的的具体表达式如下：
27、
28、其中，表示二元交叉熵损失函数，表示对数函数，表示自然对数，表示二元交叉熵损失函数的超参数，表示几何 mlp 输出的 sdf 值，表示sdf真值。
29、作为本专利技术的优选技术方案，所述步骤s2中的的具体表达式如下：
30、
31、其中，表示的梯度，表示程函损失函数，表示几何 mlp 输出的sdf 值，表示二范数，表示表示取绝对值。
32、作为本专利技术的优选技术方案，所述步骤s2中的的具体表达式如下：
33、
34、其中，表示正则项损失函数，表示当前帧扫描中的所有点，表示求和，表示当前迭代的 mlp 参数，表示历史迭代的 mlp 参数，表示重要性权重，其表达式如下：
35、
36、其中，表示历史重要性权重，表示 对mlp 参数求梯度，表示 mlp 参数，表示二元交叉熵，表示对中参数η求梯度后的二范数，表示对中参数η求梯度后取二范数再求和，表示防止梯度爆炸的定值。
37、作为本专利技术的优选技术方案，所述步骤s2中的的具体表达式如下：
38、
39、其中，表示多元交叉熵损失函数，表示语义类别的数量，表示softmax函数，表示语义 mlp 的输出，表示对数函数，表示对内部个数进行求和，表示采样点语义标签。
40、作为本专利技术的优选技术方案，所述步骤s2中的的具体表达式如下：
41、
42、其中，表示全景损失函数，表示实例 mlp 的输出，表示监督的id，表示实例数量。
43、与现有技术相比，本专利技术提供了一种基于神经辐射场的三维点云语义地图构建方法，具备以下有益效果：
44、本专利技术通过利用基于八叉树的分层结构来存储隐式特征，然后通过浅层多层感知器将这些隐式特征解码为语义信息和符号距离值，采用全景分割算法来预测点云的全景分割标签，然后，采用自监督范式进行点云几何的优化以及伪监督范式用于语义和全景标签的优化，共同优化隐式特征参数和mlps参数，随后，在推断阶段，本案利用几何神经场插值算法、marching cubes算法、语义神经场插值算法对场景进行三维渲染以及可视化。
本文档来自技高网...【技术保护点】
1.一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：所述步骤S2中的的具体表达式如下：
3.根据权利要求1所述的一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：所述步骤S2中的的具体表达式如下：
4.根据权利要求1所述的一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：所述步骤S2中的的具体表达式如下：
5.根据权利要求1所述的一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：所述步骤S2中的的具体表达式如下：
6.根据权利要求1所述的一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：所述步骤S2中的的具体表达式如下：
【技术特征摘要】
1.一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：所述步骤s2中的的具体表达式如下：
3.根据权利要求1所述的一种基于神经辐射场的三维点云语义地图构建方法，其特征在于：所述步骤s2中的的具体表达式如下：
4.根据权利要...
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。