[发明专利]一种基于集成学习的毫米波雷达数据点分类方法及装置

说明书

本发明一种基于集成学习的毫米波雷达数据点分类方法及装置，通过采集一定数量时刻点的毫米波雷达扫描数据，然后提取各时刻点目标数据点的个体属性特征向量F₁、相对位置关系特征向量F₂、概率特征向量F₃，作为该目标数据点最终的特征向量F，对所采集的各时刻点的目标扫描数据进行特征提取，形成毫米波雷达数据点训练集；然后按照静止和运动两种状态将训练集划分为两个子集合；对每一个子集合分别训练网络模型；获取当前时刻点的目标检测数据，根据各目标数据点的运动状态，对应调用训练好的网络模型，得到是否为目标对象的分类预测结果。由于特征向量综合模拟了人在识别目标时所需要考虑的各种特征，从而可以有效地对目标进行识别。

技术领域

本发明属于雷达探测领域，尤其是涉及一种基于集成学习的毫米波雷达数据点分类方法及装置。

背景技术

作为环境感知技术基石的多种传感器融合是实现无人驾驶的必然发展趋势，配置足够多的摄像头、激光雷达、毫米波雷达、超声波传感器、惯性测量单元和全球导航卫星系统等传感器，可提升自动驾驶功能的鲁棒性。毫米波雷达作为多传感器融合的重要元件，具有测量距离远、可靠性高、不受光线、尘埃影响的特点。与摄像头相比，它在距离超过150米时优势明显。

但是在毫米波雷达所扫描的目标对象数据中，怎样准确对目标对象数据进行分类，为无人控制系统提供前方准确的类别和距离信息就变得尤为重要。

发明内容

本发明要解决的技术问题是怎样准确对毫米波雷达目标数据进行分类，提升无人系统对前方目标的准确感知和距离信息，提供了一种基于集成学习的毫米波雷达数据点分类方法及装置。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于集成学习的毫米波雷达数据点分类方法，包括以下步骤：

步骤1：将毫米波雷达安装在无人控制系统上，创建毫米波雷达历史时刻点目标检测数据保存数组Tr＝[Tr_i-n,L,Tr_i-1,Tr_i]，i为当前时刻，n为预设的数组中所保存的历史时刻点数量，并初始化为空；

步骤2：开启所述毫米波雷达，设置雷达扫描参数，扫描毫米波雷达正前方空间，采集毫米波雷达当前时刻的目标检测数据Tr_i＝[r₀,r₁,L,r_p,L,r₂₅₅],0≤p≤255，p为第p个目标对象，并保存在历史时刻点目标检测数据保存数组Tr中；

步骤3：提取毫米波雷达当前时刻目标检测数据中各目标数据点的个体属性特征向量F₁、相对位置关系特征向量F₂、概率特征向量F₃，作为该目标数据点最终的特征向量F；

所述个体属性特征向量是指通过毫米波雷达进行检测时所获得的的各目标数据点个体属性相关的特征形成的特征向量；

所述相对位置关系特征向量F₂是指通过对毫米波雷达所采集的数据进行处理，提取出与各目标数据点周围相关的其他目标之间的特征所形成的特征向量；

所述概率特征向量F₃是指通过对毫米波雷达所采集的数据进行处理，提取出各目标数据点周围环境相关的固定几何元素的距离，计算各目标数据点属于固定几何元素的概率所形成的特征向量；

步骤4：对数组Tr中每一时刻点的所有毫米波雷达目标数据点的数据进行特征提取，得到各时刻点每个目标数据点的特征向量，形成毫米波雷达数据点训练集；

步骤5：将毫米波雷达数据点训练集数据按照静止和运动两种状态划分为两个子集合；对每一个子集合分别训练Lightgbm模型，得到训练好的Lightgbm模型；