[发明专利]一种基于激光雷达的非结构化环境可行驶区域提取方法

权利要求书

1.一种基于激光雷达的非结构化环境可行驶区域提取方法，其特征在于：包含如下步骤：

(1)雷达点云预处理

确定激光雷达的数据点坐标系OXYZ，以雷达中心为原点，载体前进方向为OX轴，按右手定则建立；方位角和顶角θ的计算公式如下：

其中，(x,y,z)为雷达点云中每一个点在欧式坐标系下的坐标；对于点云中的每一个点都可以通过其(x,y,z)计算其即将欧式坐标系中的点投影到球面坐标系中；此球面坐标系实则是一个二维坐标系，为了便于理解，对其角度进行微分化从而得到一个二维的直角坐标系：

其中，i、j为二维直角坐标系的横、纵坐标，Δθ分别对应θ的分辨率；

通过此球面投影变换，可将欧式空间中得任意一点(x,y,z)投影到二维坐标系下的点(i,j)；本发明提取点云中每一个点的5个特征：欧式坐标(x,y,z)，反射率ref，角度信息r；其中，从而得到一个尺寸为(H,W,C)的张量，其中，H为球面投影变换后所得渲染图像的宽，W为该图的长，C＝5；以KITTI数据集为例，该数据集使用的是64线激光雷达，因此H＝64；水平方向上，受数据集标注范围的限制，使用正前方90°的雷达点云数据，并将其划分为512个网格；即水平采样512个点，因此W＝512；

(2)基于残差扩张卷积的编码-解码网络设计

主要包括以下子步骤：

子步骤1：确定卷积层类型、卷积核大小和卷积步长

设计扩张卷积层卷积核大小为1×1和3×3，步长均设为1；反卷积层的卷积核大小为3×3，步长为2；

子步骤2：确定池化层类型、采样尺寸和步长

采用最大池化，并将采样尺寸设为2×2，步长设为2；

子步骤3：确定dropout层分布

仅在编码器和解码器的中心层插入dropout；

子步骤4：将子步骤1～3中涉及的不同类型的网络层组合，利用交叉验证法进行模型选择，确定各层的层数、卷积核数量以及扩张卷积的扩张率，得到如下最优网络架构， 其中每一个卷积操作都经过ReLU函数激活：

Block1：用32个1×1、扩张率为1的卷积核与512×64×5的输入样本做卷积，得到子特征图1，之后分别与3×3、扩张率为1以及3×3、扩张率为2的卷积核做卷积并做批标准化处理；BN，Batch Normalization，将特征图拼接concatenation后与1×1、扩张率为1的卷积核做卷积并做BN，再与子特征图1做逐像素相加element-wise addition，得到维度为512×64×32的特征图；

池化层1：Block2输出的特征图用2×2的最大池化层做下采样，步长为2，得到维度为256×32×32的特征图；

Block2：参照Block1，用64个1×1、扩张率为1的卷积核与池化层1输出的特征图做卷积，得到子特征图2，之后分别与3×3、扩张率为1以及3×3、扩张率为2的卷积核做卷积并做BN，将特征图拼接后与1×1、扩张率为1的卷积核做卷积并做BN，再与子特征图2做逐像素相加，得到维度为256×32×64的特征图；

池化层2：Block2输出的特征图经过dropout后，用2×2的最大池化层做下采样，步长为2，得到维度为128×16×64的特征图；

Block3：参照Block1，用128个1×1、扩张率为1的卷积核与池化层2输出的特征图做卷积，得到子特征图3，之后分别与3×3、扩张率为1以及3×3、扩张率为2的卷积核做卷积并做BN，将特征图拼接后与1×1、扩张率为1的卷积核做卷积并做BN，再与子特征图3做逐像素相加，得到维度为128×16×128的特征图；

池化层3：Block3输出的特征图经过dropout后，用2×2的最大池化层做下采样，步长为2，得到维度为64×8×128的特征图；

Block4：参照Block1，用256个1×1、扩张率为1的卷积核与池化层3输出的特征图做卷积，得到子特征图4，之后分别与3×3、扩张率为1以及3×3、扩张率为2的卷积核做卷积并做BN，将特征图拼接后与1×1、扩张率为1的卷积核做卷积并做BN，再与子特征图4做逐像素相加，得到维度为64×8×256的特征图；

反卷积层1：用128个3×3的卷积核与Block4输出的特征图做卷积并做BN，步长为2，经dropout后与Block3输出的特征图逐像素相加，再经过dropout后分别与3×3、扩张率为1以及3×3、扩张率为2的卷积核做卷积并做BN，将特征图拼接后与1×1、扩张率为1的卷积核做卷积并做BN，最后经过dropout得到维度为128×16×128的特征图；

反卷积层2：参照反卷积层1，用64个3×3的卷积核与Block4输出的特征图做卷积并做BN，步长为2，经dropout后与Block3输出的特征图逐像素相加，再经过dropout后分别与3×3、扩张率为1以及3×3、扩张率为2的卷积核做卷积并做BN，将特征图拼接后与1×1、扩张率为1的卷积核做卷积并做BN，最后经过dropout得到维度为256×32×64的特征图；

反卷积层3：参照反卷积层1，用32个3×3的卷积核与Block4输出的特征图做卷积并做BN，步长为2，与Block3输出的特征图逐像素相加，再分别与3×3、扩张率为1以及3×3、扩张率为2的卷积核做卷积并做BN，将特征图拼接后与1×1、扩张率为1的卷积核做卷积并做BN，最后得到维度为512×64×32的特征图；

标准卷积层：用2个1×1的卷积核与反卷积层3输出的特征图做卷积，得到维度为512×64×2的特征图，2个通道对应语义类的总数；

Soft-max层：对标准卷积层输出的特征图做像素级二分类，得到可行驶区域；

(3)网络模型训练

采用标准Soft-max交叉熵损失函数和Adam优化器对网络参数进行迭代训练；优化器初始学习率设为0.01，衰减率设为0.1/20K次迭代，dropout率设为0.5，batch size设为32，训练epoch设为500；

为了增加训练数据的数量，对原始点云做水平翻转、加入随机噪声以及绕z轴随机旋转[-5^°,5^°]处理；

(4)可行驶区域提取

采集到的雷达点云经过步骤(1)的预处理后，输入步骤(2)搭建的基于残差扩张卷积的编码-解码网络中，并利用步骤(3)得到的网络权重进行在线测试，得到非结构化环境可行驶区域的提取结果。