[发明专利]一种基于脉冲卷积神经网络的激光雷达时域数据处理方法

说明书

本发明公开了一种基于脉冲卷积神经网络的激光雷达时域数据处理方法，包括以下步骤：包括以下步骤：S1.利用3D立体体元重新表示来量化点云，以实现对激光雷达的3D点云数据预处理，并利用预处理得到的信息构建样本集；S2.构建脉冲卷积神经网络模型；S3.利用样本集对构建的脉冲卷积神经网络进行训练，得到成熟的脉冲卷积神经网络模型；S4.基于成熟的脉冲卷积神经网络模型进行激光雷达的3D点云数据处理。本发明为3D立体数据添加时域信息，通过这样的时域编码，得到具有稀疏脉冲模式的SCNN，结合低能耗脉冲信号和高网络稀疏度，整体网络能耗将远远低于现有方案。

技术领域

本发明涉及脉冲卷积神经网络，特别是涉及一种基于脉冲卷积神经网络的激光雷达时域数据处理方法。

背景技术

近年来，由于汽车光检测和测距(LiDAR)传感器的显著改进，对自动驾驶应用的点云数据处理越来越受到重视，这些传感器可实时提供周边环境的三维(3D)点云数据。点云数据在整个测量区域具有高度变化的密度分布，可用于对象检测。然而，不同于相机图像，LiDAR点云是无序的和稀疏的，这带来了一些困难对于实时对象检测。

为了解决点云对象检测挑战，提出了许多方法，一般可以分为三类。第一类将点云映射到透视视图，通过基于图像的算法检测对象。第二类将点云转换为3D立体体元网格，并通过手工对每个体元进行编码。第三类类似于第二类，但将手工操作的功能更改为机器学习的功能。

由于机器学的特点，第三类能达到更好的对象检测性能。有很少的工作专注于实时对象检测的能耗，尽管低能耗是许多实际应用(如自动驾驶车辆)的关键要求。卷积神经网络(CNN)是物体检测中最流行的技术。然而，他们的高能耗一直是一个具有挑战性的问题。相比之下，众所周知，脉冲神经网络(SNN)是节能的，并且可能具有比CNN更低的数量级能耗。

虽然SNN的研究远远低于CNN，许多研究表明，SNN能够达到同样高的图像分类精度。SNN面临的主要挑战之一是脉冲活动的不连续性，这使得大型复杂网络的训练变得困难。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于脉冲卷积神经网络的激光雷达时域数据处理方法，为3D立体数据添加时域信息，通过这样的时域编码，得到具有稀疏脉冲模式的SCNN，结合低能耗脉冲信号和高网络稀疏度，整体网络能耗将远远低于现有方案。

本发明的目的是通过以下技术方案来实现的：一种基于脉冲卷积神经网络的激光雷达时域数据处理方法，包括以下步骤：

S1.利用3D立体体元重新表示来量化点云，以实现对激光雷达的3D点云数据预处理，并利用预处理得到的信息构建样本集；

S2.构建脉冲卷积神经网络模型；

S3.利用样本集对构建的脉冲卷积神经网络进行训练，得到成熟的脉冲卷积神经网络模型；

S4.基于成熟的脉冲卷积神经网络模型进行激光雷达的3D点云数据处理。

其中，所述步骤S1包括：

S101.获取多组3D点云数据；

S102.对于任一组3D点云数据(如KITTI数据)，将每个点由矢量i(x_i，y_i，z_i,r_i)描述，x_i，y_i，z_i反应对象点的3D位置，r_i是接收的激光反射强度，激光雷达设备发出脉冲，脉冲从对象反射，由激光雷达接收设备接收；设激光发射设备是坐标系的原点，则每个反射点i与激光发射设备之间的距离计算为：