买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：深圳慕智科技有限公司

摘要：本发明涉及一种面向自动驾驶雷达点云数据的扩增与优化方法。该方法首先由领域专家定义点云数据的变异规则（天气变换与仿射变换）后，将变异规则通过点云操作库自动化地应用到种子点云数据上，从而获得增强激光雷达点云数据集，并对目标检测模型进行测试。在此基础上使用熵和选择方法选择出更容易触发模型错误的数据进行重训练，最后获得优化后的目标检测模型，该模型对一些恶劣天气、路况更加鲁棒。本发明目的在于解决基于雷达的自动驾驶系统的输入域极其庞大，内部实现逻辑可解释性较差的问题。我们的发明针对3D目标检测任务能够检测模型推理错误，并能够利用少量资源发现大量边界测试用例，最终提升目标检测模型鲁棒性。

主权项：1.一种面向自动驾驶雷达点云数据的扩增与优化方法，其特征在于，先由领域专家定义点云数据的天气变换与仿射变换变异规则后，将变异规则通过点云操作库自动化地应用到种子点云数据上，从而获得增强激光雷达点云数据集，这些数据的特点是能触发自动驾驶目标检测模型的bug，为了寻找边界用例并节约重训练成本，在此基础上采用一种数据选择方法，选择出更容易触发模型错误的数据，然后选择数据加入进行重训练，最后获得优化后的目标检测模型，该模型对一些恶劣天气、路况更加鲁棒；该方法包括下列步骤：1）变异规则制定，领域专家给定雷达扩增规则，包括平移、旋转、放缩、对称特性的仿射变换与雨、雪、雾特性的天气变换，根据实际驾驶场景可定义更多的变换规则；这些变异规则用于种子点云数据的扩增；2）点云数据扩增，给定种子点云数据P0，将变异规则通过点云操作库自动化地应用到种子点云数据上，生成对应的扩增点云数据Pa，并形成扩增数据集；本步骤的目的是生成大量真实的点云数据，这些数据能模拟诸多不同天气、路况的场景；将扩增数据放入预训练模型M0，比较扩增前后的目标检测的准确率，准确率下降表明扩增方法有效；目标检测准确率定义如下： 用R40等距召回，用R40等距召回，插值函数ρ给出了在r点上的精度；3）点云数据可视化，实现对原始数据和扩增数据的可视化操作，点云数据的可视化处理采用PCL点云操作库进行，PCL点云操作库是一个用于2D3D图像和点云处理的大型的开源项目，能实现对点云的获取、配准、检索、特征提取、识别、追踪、可视化操作；4）边界用例数据选择，为了节约成本并发现触发错误的边界用例，使用针对自动驾驶雷达点云数据的数据选择方法，熵和选择方法表示如下： 其中bic第i个图像，第c类3D目标检测框的集合,conf（j）表示模型对第j个检测框的置信度；通过上述公式可以获得一个数据优先级排序序列，优先级越高，则导致自动驾驶模型判断错误的概率越大，且重训练效果越好；5）模型重训练优化，将上述熵和选择方法所选择的数据加入到原始数据中，进行重新训练，获得新模型M1，该模型比预训练模型具有更高的鲁棒性，即3D目标检测模型能更好的应对极端天气、路况。

全文数据：

权利要求：

百度查询： 深圳慕智科技有限公司 一种面向自动驾驶雷达点云数据的扩增与优化方法