[发明专利]一种基于深度学习的雷达传感器模型保真度的评估方法

权利要求书

1.一种基于深度学习的雷达传感器模型保真度的评估方法,其特征在于，包括：

获取雷达点云数据，所述雷达点云数据包括真实数据和模拟数据；

基于所述真实数据和所述模拟数据进行相似度评估，获得评估结果；

基于所述评估结果，实现对雷达传感器模型的保真评估。

2.根据权利要求1所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，

获取所述真实数据包括，

基于测试场景进行真实驾驶，生成真实的雷达点云信息，获得所述真实数据；

获取所述模拟数据包括，

基于所述真实数据进行仿真获得所述模拟数据；或，基于雷达传感器生成虚拟场景，得到模拟的雷达点云信息；基于所述雷达点云信息获得所述模拟数据。

3.根据权利要求1所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，

基于所述真实数据和所述模拟数据进行相似度评估包括传统指标评价、深度指标评价。

4.根据权利要求3所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，

所述传统指标评价为基于二维距离和多普勒速度的差异计算所述真实数据和所述模拟数据的相似度。

5.根据权利要求4所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，所述相似度的评估指标至少包括点云间的距离、瓦瑟斯坦距离；

所述点云间的距离为真实点云到模拟点云的最小欧几里得距离的归一化和。

6.根据权利要求3所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，

所述深度指标评价包括，将所述真实数据与雷达模型数据进行随机混合，获得第一数据集；对所述第一数据集进行增强，基于增强后的数据集通过随机高斯噪声进行扰动，获得第二数据集；基于PointNet++网络模型对所述第二数据集的点云数据进行深度评价度量，获得度量结果。

7.根据权利要求6所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，输入所述PointNet++网络模型的点云数据至少包括两个空间坐标和多普勒速度。

8.根据权利要求3所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，所述深度指标评价还包括，在过采样的情况下采用随机重复的方法，在欠采样的情况下采用绘制的方法进行采样，实现点云的输入点数固定。

9.根据权利要求6所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，所述深度评价度量基于真实雷达点云类的预测置信度分数进行深度指标评价。

10.根据权利要求1所述的基于深度学习的雷达传感器模型保真度的评估方法，其特征在于，所述评估方法还包括评估结果标准化，包括将度量结果缩放后进行z-score标准化，通过调整传统指标和深度指标的重要性系数进行保真评估的空间数值映射。