基于激光雷达的物体检测方法、装置、车辆及介质与流程

本发明涉及自动驾驶，特别涉及一种基于激光雷达的物体检测方法、装置、车辆及介质。

背景技术：

1、随着自动驾驶技术的不断发展，出现了不同等级的自动驾驶技术，例如l3、l4级的自动驾驶技术。其中，感知技术是自动驾驶中的关键，因此感知的距离、感知的精度也均随着自动驾驶技术的发展不断提升。

2、然而，随着自动驾驶技术在多应用领域的展开，不同的应用场景也对感知技术要求提出了新的挑战，比如，基于激光雷达的3d物体检测技术在实际应用过程中，仍存在着很多的困难和挑战。

技术实现思路

1、有鉴于此，本发明旨在提出一种基于激光雷达的物体检测方法，该方法可以有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

2、为达到上述目的，本发明的技术方案是这样实现的：

3、一种基于激光雷达的物体检测方法，包括以下步骤：

4、获取待检测物体的激光点云数据；

5、将所述激光点云数据输入至预先训练完成的类别检测模型中，输出所述待检测物体的实际物体类别、实际置信度、实际物体位置、实际物体尺寸和实际航向角，其中，所述类别检测模型基于携带有物体类别标签、物体位置标签、物体尺寸标签和航向角标签的训练数据训练得到。

6、进一步地，所述将所述激光点云数据输入至预先训练完成的类别检测模型中，输出所述待检测物体的实际物体类别、实际置信度、实际物体位置、实际物体尺寸和实际航向角，包括：

7、根据所述激光点云数据生成第一特征图；

8、对所述第一特征图进行depthwise卷积，得到第二特征图，并对所述第二特征图进行空洞卷积，得到第三特征图；

9、对所述第三特征图进行目标等维度卷积，得到目标特征图，并识别所述目标特征图得到所述待检测物体的实际物体类别、实际置信度、实际物体位置、实际物体尺寸和实际航向角。

10、相对于现有技术，本发明所述的基于激光雷达的物体检测方法具有以下优势：

11、本发明所述的基于激光雷达的物体检测方法，基于训练完成的类别检测模型快速准确的实现物体检测，比如超长物体的检测，从而有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

12、本发明的第二目的在于提出一种基于激光雷达的物体检测方法，该方法可以有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

13、为达到上述目的，本发明的技术方案是这样实现的：

14、一种基于激光雷达的物体检测方法，包括以下步骤：

15、获取携带有物体类别标签、物体位置标签、物体尺寸标签和航向角标签的训练数据，其中，所述训练数据包括每个物体类别的样本；

16、根据所述每个物体类别的样本数量计算得到所述每个物体类别的实际权重；

17、根据所述训练数据进行模型训练，并根据所述每个物体类别的样本计算对应的损失值，利用所述实际权重修正对应的损失值，直到训练完成，得到类别检测模型，以利用所述类别检测模型检测待检测物体的实际物体类别、实际置信度、实际物体位置、实际物体尺寸和实际航向角。

18、进一步地，根据所述训练数据进行模型训练，包括：

19、根据所述训练数据生成第一特征图；

20、对所述第一特征图进行depthwise卷积，得到第二特征图，并对所述第二特征图进行空洞卷积，得到第三特征图；

21、对所述第三特征图进行目标等维度卷积，得到目标特征图，并识别所述目标特征图得到物体的实际物体类别、实际置信度、实际物体位置、实际物体尺寸和实际航向角。

22、进一步地，所述每个物体类别的实际权重的计算公式为：

23、

24、其中，i表示物体类别，ni代表第i个物体类别的样本数量。

25、进一步地，所述获取携带有物体类别标签、物体位置标签、物体尺寸标签和航向角标签的训练数据，包括：

26、获取多个物体类别的统计数据；

27、识别所述统计数据中样本数量小于预设数量的目标物体类别，并判断所述目标物体类别的标准差是否大于预设值；

28、如果所述标准差大于所述预设值，则对所述目标物体类别的样本进行聚类，生成所述目标物体类别对应的多个子类别；

29、根据每个子类别的样本以及所述统计数据中其他类别的样本生成所述携带有物体类别标签、物体位置标签、物体尺寸标签和航向角标签的训练数据。

30、相对于现有技术，本发明所述的基于激光雷达的物体检测方法具有以下优势：

31、本发明所述的基于激光雷达的物体检测方法，基于训练完成的类别检测模型快速准确的实现物体检测，比如超长物体的检测，从而有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

32、本发明的第三个目的在于提出一种基于激光雷达的物体检测装置，该装置可以有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

33、为达到上述目的，本发明的技术方案是这样实现的：

34、一种基于激光雷达的物体检测装置，包括：

35、第一获取模块，用于获取待检测物体的激光点云数据；

36、检测模块，用于将所述激光点云数据输入至预先训练完成的类别检测模型中，输出所述待检测物体的实际物体类别、实际置信度、实际物体位置、实际物体尺寸和实际航向角，其中，所述类别检测模型基于携带有物体类别标签、物体位置标签、物体尺寸标签和航向角标签的训练数据训练得到。

37、相对于现有技术，本发明所述的基于激光雷达的物体检测装置具有以下优势：

38、本发明所述的基于激光雷达的物体检测装置，基于训练完成的类别检测模型快速准确的实现物体检测，比如超长物体的检测，从而有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

39、本发明的第四个目的在于提出一种基于激光雷达的物体检测装置，该装置可以有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

40、为达到上述目的，本发明的技术方案是这样实现的：

41、一种基于激光雷达的物体检测装置，包括：

42、第二获取模块，用于获取携带有物体类别标签、物体位置标签、物体尺寸标签和航向角标签的训练数据，其中，所述训练数据包括每个物体类别的样本；

43、计算模块，用于根据所述每个物体类别的样本数量计算得到所述每个物体类别的实际权重；

44、训练模块，用于根据所述训练数据进行模型训练，并根据所述每个物体类别的样本计算对应的损失值，利用所述实际权重修正对应的损失值，直到训练完成，得到类别检测模型，以利用所述类别检测模型检测待检测物体的实际物体类别、实际置信度、实际物体位置、实际物体尺寸和实际航向角。

45、相对于现有技术，本发明所述的基于激光雷达的物体检测方法具有以下优势：

46、本发明所述的基于激光雷达的物体检测装置，基于训练完成的类别检测模型快速准确的实现物体检测，比如超长物体的检测，从而有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

47、本发明的第五个目的在于提出一种车辆，该车辆可以有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

48、为达到上述目的，本发明的技术方案是这样实现的：

49、一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现上述实施例所述的基于激光雷达的物体检测方法。

50、所述的车辆与上述的基于激光雷达的物体检测方法相对于现有技术所具有的优势相同，在此不再赘述。

51、本发明的第六个目的在于提出一种计算机可读存储介质，该存储介质可以有效提升激光雷达对于超长物体的检测效果，提升激光雷达的检测精度及适用性，满足不同类别物体的检测需求，并自动驾驶感知解决长尾分布数据问题。

52、为达到上述目的，本发明的技术方案是这样实现的：

53、一种计算机可读存储介质，该程序被处理器执行，以用于实现如上述实施例所述的基于激光雷达的物体检测方法。

54、所述的存储介质与上述的基于激光雷达的物体检测方法相对于现有技术所具有的优势相同，在此不再赘述。