[发明专利]基于量子计算线路和LiDAR点云分类的物体识别方法

权利要求书

1.一种基于量子计算线路和LiDAR点云分类的物体识别方法，其特征在于，采用LiDAR传感器扫描自动驾驶车辆待识别的物体并得到该物体点云坐标组成的点云网络，通过特征映射转化为量子态后输入量子隐式场学习器，将点云网络中的逐点运算抽象为生成隐式场，最后对所有概率分布进行带整流最大值池化操作，得到点云的全局特征向量并输入神经网络分类器进行分类，得到分类结果，实现物体识别；

所述的隐式场是指：通过空间函数表示的三维机器视觉场；

所述的带整流最大值池化操作为：对于整个点云取每个量子态上所得概率最大值得到池化结果，随后进行整流；

所述的转化具体包括：

1.1)将点云进行归一化处理，将点坐标最值缩放至区间；

1.2)对于归一化后的某个点坐标，进行特征映射：构造对应的量子门，其中：取遍1至3的自然数，在量子机器上可制备初态，将其中给定的三个量子比特分别通过对应的量子门即完成了量子态的准备。

2.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的量子隐式场学习器使用量子张量网络对生成隐式场的过程进行层次化分解，即采用张量网络分解为可调参数单量子比特门构成的层次和固定全局纠缠结构层次。

3.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的整流是指：对阈值以下的概率测量值作平方后，再针对上述池化结果作一次全局的归一化。

4.根据权利要求1所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的神经网络分类器为：由一层或多层卷积层和全连接层构成的多层感知机，其接受上述的点云全局特征向量，预测物体属于各个目标类别的概率。

5.根据权利要求1或2所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，将若干已知场景的物体及其类别标注作为训练集，根据Nesterov加速的投影梯度估计方法对量子隐式场学习器进行训练以优化模型参数，将梯度投影到某个随机产生的标准正交基底上，对其作有限差分近似，并使用对Nesterov加速的投影梯度进行微扰得到的向量作为标准正交基底的第一组。

6.根据权利要求5所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的训练，具体步骤包括：

①对Nesterov加速的投影梯度进行微扰得到的向量作为标准正交基底的第一组，随后产生k个随机的向量；

②使用施密特正交化算法对上述基底进行标准正交化；

③在当前参数下评估目标损失函数的值，并在上述基底上进行有限差分投影，得到梯度的估计值。

7.根据权利要求5所述的基于量子计算线路和LiDAR点云分类的物体识别方法，其特征是，所述的训练，采用Nesterov加速的投影梯度附加动量截断作为更新规则。