[发明专利]一种基于深度学习的激光雷达环境感知方法及系统

权利要求书

1.一种基于深度学习的激光雷达环境感知方法，其特征在于：

步骤1、将激光雷达点云映射为深度图步骤；

将激光雷达雷达每个点p_i＝(x,y,z)，从球坐标系转到图像坐标系，通过以下公式：

其中(u,v)表示图像坐标，(h,w)表示映射后距离图像表示的高度和宽度，公式中f＝f_up+f_down表示传感器的垂直视场，f_up表示视角上限，f_down表示视角下限，公式中r＝x²+y²+z²表示各点到传感器的距离；得出激光雷达每个点在深度图中的坐标，并结合每个点的距离r，创建一个[h×w×c]张量；

步骤2、执行深度图语义分割步骤；

步骤3、语义分割图映射为语义分割点云图。

2.根据权利要求1所述的基于深度学习的激光雷达环境感知方法，其特征在于步骤2、执行深度图语义分割步骤，采用二维语义分割CNN，神经网络卷积结构使用了SqueezeSeg结构，将深度图像转换成语义分割图；

步骤2.1、首先对深度图像进行卷积和池化操作，其使用最大池化操作采样宽度和高度上的中间特征，如果再进行采样其特征会更少，在池化操作中仅对宽度进行下采样；

步骤2.2、经过卷积和池化操作，图像从Fire2层到Fire9层，对图像纬度特征的提取，通过卷积实现；直到Fire9层，输出是经过下采样的特征图；由于特征经过高度卷积和下采样，在FireDeconv模块中，对特征图进行上采样和反卷积；从FireDeconv10层到FireDeconv13层对高纬度特征图进行上采样，将其恢复至原来大小，步骤2.3最终输出概率图通过softmax激活函数和卷积层conv14生成；ecurrent CRF层则增强概率图的辨识度。

3.根据权利要求2所述的基于深度学习的激光雷达环境感知方法，其特征在于其中Fire模块是将大小为[h×w×c]的输入张量；

首先将输入放入1x1卷积层中,并将其通道减小为C/4；之后在输入两个卷积层，3×3卷积和1x1卷积，将通道数增加至两个C/2，再将两个卷积结果进行相加，回复其C通道数。

4.根据权利要求3所述的基于深度学习的激光雷达环境感知方法，其特征在于还包括精度检测步骤：采用IoU交并比，计算的是预测边框和实际边框的交集和并集的比值；当使用预测数据集IoU检测率达到阈值及以上时，其模型效果良好，此模型进行语义分割成功。

5.根据权利要求4所述的基于深度学习的激光雷达环境感知方法，其特征在于使用反映射将语义分割深度图进行重建；语义分割的深度图，在语义分割点云图中，每个点都有标签信息，识别出每个点代表的物体。

6.根据权利要求4所述的基于深度学习的激光雷达环境感知方法，其特征在于检测精度使用Tensorboard可视化工具，测试数据集中acc、IoU均在阈值以上，且loss收敛，至此语义分割成功。

7.一种基于深度学习的激光雷达环境感知系统，其特征在于：包括存储器及处理器，存储上述权利要求1-6的执行步骤和执行交互。