【技术实现步骤摘要】
本申请涉及自动驾驶，具体涉及一种点云场景流估计方法、可读存储介质及智能设备。
技术介绍
1、点云场景流估计是自动驾驶中的基本任务，用于目标检测、目标跟踪等多种任务。它通过预测像素或点云的运动速度来提供初始帧数据的运动估计。
2、通过激光雷达扫描获取的点云数据具有固有的稀疏性，在场景流任务中，稀疏性会导致连续帧之间共享的点云比例迅速减少和给定点对之间错位，从而导致预测异常比例过大，预测准度下降。
3、最初，点云场景流被视为回归任务，直接基于坐标预测每个点的三维空间速度。然而，由于3d场景中回归空间的困难，这种方法需要大量的监督数据，并且难以收敛。一些方法尝试通过运行时优化来避免这个问题，这种方法可以在没有训练数据的情况下获得更精确的流预测。然而，这些方法假设给定源点和目标点之间具有分布一致性，并且在没有先验学习的情况下，容易受到噪声输入数据的影响。随后的方法通常使用匹配机制来计算点流。从匹配的角度来看，点场景流被视为给定源/目标点对中自身点和其匹配目标之间的位移，匹配关系通过点嵌入决定的相似性矩阵获得。然而，这种方法严重依赖于点对应关系的存在。
4、相应地，本领域需要一种新的点云场景流估计方案来解决上述问题。
技术实现思路
1、为了克服上述缺陷，提出了本申请，以解决或至少部分地解决如何克服针对稀疏点云，场景流估计准确度低的技术问题。
2、在第一方面，提供一种点云场景流估计方法，所述方法包括：
3、获取初始源点云和初始目标点云
4、基于所述初始源点云和所述初始目标点云，进行双向点云重建，获得重建源点云和重建目标点云；所述双向点云重建为根据前一帧点云进行后一帧点云的点云重建，并根据后一帧点云进行前一帧点云的点云重建；
5、根据所述重建源点云和所述重建目标点云，获取点云场景流预测结果。
6、在上述点云场景流估计方法的一个技术方案中，所述基于所述初始源点云和所述初始目标点云，进行双向点云重建，获得重建源点云和重建目标点云，包括：
7、将所述初始源点云和所述初始目标点云作为所述双向点云重建的初始迭代的输入数据；
8、基于输入数据，进行预设迭代次数的双向点云重建，以获取所述重建源点云和所述重建目标点云。
9、在上述点云场景流估计方法的一个技术方案中，所述基于输入数据，进行预设迭代次数的双向点云重建，以获取所述重建源点云和所述重建目标点云，包括：
10、针对所述双向点云重建的每一次迭代，获取当前迭代中的输入数据中前后两帧点云之间的点云对应关系；
11、基于所述点云对应关系，将所述输入数据中的前一帧点云作为基准点云，将所述输入数据中的后一帧点云作为待重建点云，进行点云重建，获得中间目标点云；
12、基于所述点云对应关系，将所述输入数据中的后一帧点云作为基准点云，将所述输入数据中的前一帧点云作为待重建点云，进行点云重建，获得中间源点云；
13、判断当前迭代次数达到所述预设迭代次数；
14、若是，则将所述中间源点云和所述中间目标点云分别作为所述重建源点云和所述重建目标点云；
15、若否，则将所述中间源点云和所述中间目标点云分别作为下一次迭代的所述输入数据，并进行所述双向点云重建的下一次迭代。
16、在上述点云场景流估计方法的一个技术方案中，所述获取当前迭代中的输入数据中前后两帧点云之间的点云对应关系，包括：
17、对所述前后两帧点云分别进行特征提取，以分别获得单帧点云中的所有点的相对特征；
18、根据单帧点云的所述相对特征，通过全局交叉注意力特征提取，获取前后两帧点云的点云对齐特征；
19、根据所述点云对齐特征，获取所述点云对应关系。
20、在上述点云场景流估计方法的一个技术方案中，所述根据所述点云对齐特征，获取所述点云对应关系，包括：
21、根据点云对齐特征，获取所述前后两帧点云之间的点云相似矩阵；
22、将所述点云相似矩阵作为所述点云对应关系。
23、在上述点云场景流估计方法的一个技术方案中，所述进行点云重建，包括：
24、根据所述基准点云和所述点云对应关系，对所述基准点云进行加权平均，获得所述待重建点云中缺少的点云；
25、将获得的所述点云和所述待重建点云进行分布合并，以实现所述点云重建。
26、在上述点云场景流估计方法的一个技术方案中，所述根据所述重建源点云和所述重建目标点云，获取点云场景流预测结果，包括：
27、获取所述重建源点云和所述重建目标点云之间的位移差，作为所述点云场景流预测结果。
28、在上述点云场景流估计方法的一个技术方案中，所述方法还包括：
29、基于预设的训练好的场景流估计模型，基于所述初始源点云和所述初始目标点云，进行双向点云重建，并根据获取的所述重建源点云和重建目标点云，获取点云场景流预测结果。
30、在上述点云场景流估计方法的一个技术方案中，所述方法还包括根据以下步骤对所述场景流估计模型进行训练：
31、针对每轮训练，将用于训练的初始源点云和初始目标点云输入至所述场景流估计模型中，获取当前轮训练的场景流预测结果；所述用于训练的初始源点云和初始目标点云中包含点云的移动速度标签信息；
32、根据所述移动速度标签信息和所述场景流预测结果，获取当前轮训练的总损失；
33、根据所述总损失，更新所述场景流估计模型的模型参数；并判断是否达到训练截止条件；
34、若未达到所述训练截止条件，进行下一轮训练；
35、若达到所述训练截止条件，结束训练，以获得训练好的所述场景流估计模型。
36、在上述点云场景流估计方法的一个技术方案中，所述根据所述移动速度标签信息和所述场景流预测结果，获取当前轮训练的总损失，包括：
37、根据所述移动速度标签信息，获取所述双向点云重建的点复原损失；
38、根据所述移动速度标签信息和当前轮训练的场景流预测结果，获取场景流损失；
39、根据所述点复原损失和所述场景流损失，获取所述总损失。
40、在上述点云场景流估计方法的一个技术方案中，所述训练截止条件为训练的轮数达到预设的轮数阈值。
41、在第二方面，提供一种智能设备，该智能设备包括至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器中存储有计算机程序，所述计算机程序被所述至少一个处理器执行时实现上述点云场景流估计方法的技术方案中任一项技术方案所述的方法。
42、在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述点云场景流估计方法的技术方案中任一项技术方案所述的方法本文档来自技高网...
【技术保护点】
1.一种点云场景流估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的点云场景流估计方法，其特征在于，
3.根据权利要求2所述的点云场景流估计方法，其特征在于，
4.根据权利要求3所述的点云场景流估计方法，其特征在于，
5.根据权利要求4所述的点云场景流估计方法，其特征在于，
6.根据权利要求3所述的点云场景流估计方法，其特征在于，
7.根据权利要求1至6中任一项所述的点云场景流估计方法，其特征在于，
8.根据权利要求1所述的点云场景流估计方法，其特征在于，所述方法还包括：
9.根据权利要求8所述的点云场景流估计方法，其特征在于，
10.根据权利要求9所述的点云场景流估计方法，其特征在于，
【技术特征摘要】
1.一种点云场景流估计方法，其特征在于，所述方法包括：
2.根据权利要求1所述的点云场景流估计方法，其特征在于，
3.根据权利要求2所述的点云场景流估计方法，其特征在于，
4.根据权利要求3所述的点云场景流估计方法，其特征在于，
5.根据权利要求4所述的点云场景流估计方法，其特征在于，
6.根据权...
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。