[发明专利]使用卷积神经网络（CNN）来处理包括由用于测量距离的2D或3D传感器提供的空间信息的扫描的数据流

权利要求书

1.一种用于处理包括由用于测量距离的2D或3D传感器(2)提供的空间信息的扫描的数据流的设备(1)，其特征在于，所述设备(1)用于：

在推理阶段中使用卷积神经网络(Convolutional Neural Network，CNN)(3)，其中，所述CNN包括第一层(L1)和在所述第一层(L1)之下的一个或多个其它层(L2a、L2b、L2c)以及用于存储相应上一层(L1、L2a、L2b)的输出张量的一个或多个第一缓冲区(4a)；

将由所述2D或3D传感器(2)以当前张量(epc(t_i))的形式提供的当前扫描的数据(pc(t_i))输入到所述CNN(3)中；

根据所述上一层(L1、L2a、L2b)的源自所述当前扫描的数据(pc(t_i))的当前输出张量(a1(t_i)、a2(t_i)、a3(t_i))和所述上一层(L1、L2a、L2b)的先前输出张量(a1(t_i–1)、a2(t_i–1)、a3(t_i–1))，在每个其它层(L2a、L2b、L2c)中执行一个或多个卷积操作，其中，

所述上一层(L1、L2a、L2b)的先前输出张量(a1(t_i–1)、a2(t_i–1)、a3(t_i–1))是存储在所述一个或多个第一缓冲区(4a)中的相应第一缓冲区(4a)中的最新张量，并且源自紧接于所述当前扫描的数据(pc(t_i))之前输入到所述CNN的先前扫描的数据；

将所述上一层(L1、L2a、L2b)的当前输出张量(a1(t_i)、a2(t_i)、a3(t_i))作为最新张量存储在所述相应第一缓冲区(4a)中。

2.根据权利要求1所述的设备(1)，其特征在于，

所述CNN(3)包括用于存储输入到所述CNN(3)的张量(epc(t_i–1)、epc(t_i))的第二缓冲区(4b)；

所述设备(1)用于：

根据所述当前张量(epc(t_i))和生成所述第一层(L1)的源自所述当前扫描的数据(pc(t_i))的当前输出张量(a1(t_i))的先前张量(epc(t_i–1))，在所述第一层(L1)中执行一个或多个卷积操作，其中，

所述先前张量(epc(t_i–1))是存储在所述第二缓冲区(4b)中的最新张量，并且对应于所述先前扫描的数据；

将所述当前张量(epc(t_i))作为最新张量存储在所述第二缓冲区(4b)中。

3.根据权利要求1或2所述的设备(1)，其特征在于，

每个缓冲区(4a、4b)是串入并出缓冲区，用于：将新张量存储为最新张量；如果所述缓冲区已满，同时丢弃存储在所述缓冲区中的最早张量。

4.根据上述权利要求中任一项所述的设备(1)，其特征在于，

所述用于存储相应上一层(L1、L2a、L2b)的输出张量的一个或多个第一缓冲区(4a)中的每个缓冲区的时间大小比所述相应上一层(L1、L2a、L2b)的卷积核的时间大小小1；

一个或多个缓冲区(4a、4b)具体地具有不同的时间大小。

5.根据上述权利要求中任一项所述的设备(1)，其特征在于，

每个张量具有两个或两个以上维度，具体是一个或多个空间维度和一个通道维度。

6.根据上述权利要求中任一项所述的设备(1)，其特征在于，

每个张量具有两个维度，具体是一个空间维度和一个通道维度；

每个张量具有三个维度，具体是两个空间维度和一个通道维度；或者

每个张量具有四个维度，具体是三个空间维度和一个通道维度。