[发明专利]基于车载4D雷达点云的深度学习网络

权利要求书

1.一种基于车载4D雷达点云的深度学习网络，其特征在于，包含以下步骤：

S1、采集场景数据以形成4D雷达点云数据集，并划分为训练集、验证集及测试集；

S2、基于雷达点云分布特性，将训练集中场景点云数据划分为多个空间区域，并通过密度感知PointRCNN网络学习不同空间区域内的点云分布特征；

S3、逐点学习点云全局语义特征，搜索遍历空间区域后从输入点云中分割出前景点，并根据前景点分布特点生成与前景点对应的3D提议框，以估计车辆目标位置与尺寸；

S4、通过局部坐标转换学习前景点云局部特征，以此优化3D提议框的位置和方向，从而生成检测车辆目标的3D边界框；

S5、设置网络损失函数，并结合验证集训练密度感知PointRCNN网络模型，直至其收敛。

2.如权利要求1所述的基于车载4D雷达点云的深度学习网络，其特征在于，还包含以下步骤：

S6、采用测试集上对步骤S5训练得到的密度感知PointRCNN网络模型进行测试，实现车辆目标的检测。

3.如权利要求1所述的基于车载4D雷达点云的深度学习网络，其特征在于，采用数据采集系统采集场景数据，以形成4D雷达点云数据集；所述数据采集系统包含4D毫米波雷达、激光雷达、相机，所述4D毫米波雷达、激光雷达及相机同时采集场景数据。

4.如权利要求3所述的基于车载4D雷达点云的深度学习网络，其特征在于，所述4D雷达点云数据集的生成方法，具体包含以下步骤：

S1.1、对4D毫米波雷达所采集的4D雷达点云场景进行筛选，并对点云场景中的数据帧进行采样；

S1.2、对齐4D毫米波雷达、激光雷达以及相机所采集的数据的时间戳，以实现时间同步；

S1.3、将4D毫米波雷达、激光雷达所采集的关键帧数据转换至同一坐标系中，以实现空间同步；

S1.4、参照激光雷达、相机所拍摄的场景，开展4D毫米波雷达点云标注工作，最终生成4D雷达点云数据集。

5.如权利要求1所述的基于车载4D雷达点云的深度学习网络，其特征在于，所述步骤S2中，基于4D雷达点云数据的分布特性，将各场景中点云数据按距离范围划分成三个空间区域，分别为近区域、中区域及远区域，相邻区域间允许有重叠。

6.如权利要求5所述的基于车载4D雷达点云的深度学习网络，其特征在于，所述步骤S2中，所述密度感知PointRCNN网络的主干网络包含有三个分支网络，所述三个空间区域内的点云数据分别对应输入到所述三个分支网络；采用不确定度的采样方法合理设定每个分支网络的输入点数，以均衡各空间区域内车辆目标的检测效果。

7.如权利要求6所述的基于车载4D雷达点云的深度学习网络，其特征在于，所述不确定度的采样方法为：

统计获得近区域、中区域和远区域内点云数据平均值为m₁、m₂、m₃；

统计得到近区域、中区域和和远距离区域内点云数据的标准偏差σ₁、σ₂、σ₃；

采用划分规则：m₁+α·σ₁、m₂+β·σ₂、m₃+γ·σ₃分别从所述近区域、中区域及远区域中采样；其中，α、β、γ均为系数。