[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

说明书

一种基于量子计算线路和LiDAR点云分类的物体识别方法，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PointNet机器学习模型，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，可得到分类结果，实现物体识别。本发明通过对三维机器视觉中PointNet模型的量子化延拓，可以对逐点处理过程实现指数加速，同时在网络终端可以获得一个受量子强化的特征空间。

技术领域

本发明涉及的是一种无人驾驶领域的技术，具体是一种基于量子计算线路和LiDAR点云分类的物体识别方法，用于无人驾驶小数据量情况下快速判别待扫描物体的类型。

背景技术

现有的对象分类的技术中，对于LiDAR传感器采集到的点云通常基于PointNet深度学习模型进行处理，其主要问题在于：该任务具有采集到的点云中点数量较多、实时性要求较高的特点，使用经典方法往往无法完成高效率的计算。

发明内容

本发明针对现有技术存在的上述不足，提出一种基于量子计算线路和LiDAR点云分类的物体识别方法，通过对三维机器视觉中PointNet(点云网络)模型的量子化延拓，可以对逐点处理过程实现指数加速，同时在网络终端可以获得一个受量子强化的特征空间。

本发明是通过以下技术方案实现的：

本发明涉及一种基于量子计算线路和LiDAR点云分类的物体识别方法，包括以下步骤：

步骤1)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。

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[-1,1]区间。

1.2)对于归一化后的某个点坐标(x₁,x₂,x₃)，进行特征映射：构造对应的量子门Z(Rx(x_i))，其中：i取遍1至3的自然数，在量子机器上可制备初态|000…0，将其中给定的三个量子比特分别通过x₁,x₂,x₃对应的量子门即完成了量子态的准备。

所述的归一化过程包括但不限于将点坐标均值归零、方差归一等方法。

步骤2)将量子态输入PointNet机器学习模型，即量子隐式场学习器(QIFL，Quantum Implicit Field Learner)中，并测量得到各量子态的概率分布，即将点云网络中的逐点运算抽象为生成隐式场。

所述的隐式场是指：通过空间函数表示的三维机器视觉场。

所述的量子隐式场学习器使用量子张量网络(张量网络在希尔伯特空间时的应用)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。实现方式可采用但不限于量子线路或伊辛机。

优选地，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(Nesterov Y.E.A method for solving the convex programming problem withconvergence rate o(1/k^2).In Dokl.akad.nauk Sssr,volume 269,pages 543–547,1983)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加速梯度进行微扰得到的向量作为标准正交基底的第一组，具体步骤包括：

①对Nesterov加速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。