(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210176350.8 (22)申请日 2022.02.25 (71)申请人 浙江大学 地址 310058 浙江省杭州市西湖区余杭塘 路866号 (72)发明人 姚晗　方炜豪　王文夫　叶山顶　 傅永健　马瑞凯　林湖　潘之杰　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 郑海峰 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/46(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种路侧激光雷达超视距感知方法 (57)摘要 本发明公开了一种路侧激光雷达超视距感 知方法。 激光雷达获取的原始点云数据， 对点云 数据进行预处理获取点云特征图； 然后使用主干 网络进行进一步的特征提取， 所述的主干网络基 于EfficientDet网络， 并在EfficientDet网络的 BiFPN层后增加了MoSF融合层， MoSF融合层将 BiFPN层输出的多尺度特征图融合为单一尺度的 特征图； 最后使用五个检测头的多任务模块进行 处理； 其中四个检测头用于目标检测， 输出目标 类别、 XYZ三维坐标系的检测框、 物体方向角； 一 个检测头用于输出运动预测的结果， 为物体未来 的坐标。 本发 明深度学习网络可以直接获取目标 检测和运动预测两项感知结果。 克服了现有技术 中通过目标检测、 目标追踪和运动预测的多模块 耦合的感知流 程， 简化了感知的过程。 权利要求书1页 说明书5页 附图2页 CN 114565901 A 2022.05.31 CN 114565901 A 1.一种路侧激光雷达超视距感知方法， 其特 征在于,包括如下步骤: 1)激光雷达获取的原 始点云数据， 对点云数据进行 预处理获取点云特 征图； 2)在预处理获取点云特征图后， 使用主干网络进行进一步的特征提取， 所述的主干网 络基于EfficientDet网络， 并在EfficientDet网络的BiFPN层后增加了MoSF融合层， MoSF融 合层将BiFPN层输出的多尺度特 征图融合 为单一尺度的特 征图； 3)在主干网络提取出最终的特征图以后， 使用五个检测头的多任务模块进行处理； 其 中四个检测头用于目标检测， 输出目标类别、 XYZ三 维坐标系的检测框、 物体方向角； 一个检 测头用于 输出运动预测的结果， 为物体未来的坐标。 2.如权利要求1所述的路侧激光雷达超视距感知方法， 其特征在于， 所述的对点云数据 进行预处理获取点云特 征图， 具体为： 对于激光雷达获取的原始点云数据， 首先进行去地面过滤， 减少来自地面的点云干扰； 再对剩余的点云数据以俯视视角进 行投影， 并进 行格栅化处理， 使点云投影至Z平面的格栅 上， 再对每 个格栅内的点云进行 特征提取。 3.根据权利要求2所述的路侧激光雷达超视距感知方法， 其特征在于， 除了对当前帧的 点云进行 特征提取， 还 对前四帧的点云进行 特征提取； 并将前四帧与当前帧， 共计五帧点云进行格栅化， 提取每个格栅的点云高度、 密度、 反 射强度特 征。 从而获取点云特 征图。 4.根据权利要求1所述的路侧激光雷达超视距感知方法， 其特征在于， 所述的步骤2)具 体为： 首先使用EfficientDet网络进行特征提取， EfficientDet的BiFPN层会输出64*64、 32* 32、 16*16、 8*8、 4*4五个不同尺度的特 征图； MoSF融合层将BiFPN层输出的多尺度特征 图融合为单一尺度的特征 图， 其中MoSF融合 层对五个不同尺度的特征图进 行跨层连接， 利用上采样卷积和下采样卷积使 特征图改变自 身分辨率， 高分辨率的特征图下采样与低分辨率特征图进行融合， 低分辨率的特征图上采 样与高分辨 率特征图进行融合。 5.根据权利要求1所述的路侧激光雷达超视距感知方法， 其特征在于， 所述的步骤3)具 体为： 对于主干网络MoSF融合层输出的特征图， 首先使用一次共享卷积进 行高维语义提取； 再使用五个独立的检测头进 行独立的卷积， 获得五个感知结果， 分别为目标对象类别、 检测 框的xy坐标和尺寸、 检测框的z坐标和尺寸、 方向角 、 未来每隔0.5s共五个时刻的运动预测 值； 运动预测值包 含xy坐标和方向角。权　利　要　求　书 1/1 页 2 CN 114565901 A 2一种路侧激光雷达超 视距感知方 法 技术领域 [0001]本发明属于智能交通领域， 具体涉及一种路侧激光雷达超视距感知方法。 背景技术 [0002]自动驾驶是当前飞速发展的一项技术， 但完全基于车辆自身的自动驾驶技术存在 若干瓶颈： 1.安装于车辆的传感器视角 有限， 障碍物遮挡 时存在感知盲区； 2.感知成本高 昂， 大量的传感器需要极高的成本和算力。 基于此， 将自动驾驶车辆的部 分感知能力迁移到 路侧， 是一种解决上述问题的手段。 路侧感知平台获取并分发感知结果， 使车辆获得超视距 的感知能力。 [0003]路侧感知平台 的一项重要感知手段为基于激光雷达的感知。 激光雷达扫描周边环 境， 从而获取对周围环境的精确描述——点云数据。 但是环境感知的整体流程与激光雷达 算法各自存在问题： 1.环境 感知模块的流程一般 分为目标检测、 目标跟踪、 运动预测三个连 续的子模块， 子模块耦合至一起， 单个子模块未输出正确结果将导致后续模块 失效； 2.激光 雷达生成的点云是无序的非结构化大规模数据， 因此如何预处理点云数据、 如何采取高效 的算法对点云数据进 行环境感知， 存在 诸多问题； 3.感知需要的算力需求较高， 因此计算平 台的功耗较大， 且一般的计算平台难以满足 实时性要求。 发明内容 [0004]为了克服现有技 术中的不足， 本发明提供了一种路侧激光雷达超视距感知方法。 [0005]本发明的技 术方案如下： [0006]1.一种路侧激光雷达超视距感知方法， 其特 征在于,包括如下步骤: [0007]1)激光雷达获取的原 始点云数据， 对点云数据进行 预处理获取点云特 征图； [0008]2)在预处理获取点云特征图后， 使用主干网络进行进一步的特征提取， 所述的主 干网络基于EfficientDet网络， 并在EfficientDet网络 的BiFPN层后增加了MoSF融合层， MoSF融合层将BiFPN层输出的多尺度特 征图融合 为单一尺度的特 征图； [0009]3)在主干网络提取出最终的特征图以后， 使用五个检测头的多任务模块进行处 理； 其中四个检测 头用于目标检测， 输出目标类别、 XYZ三维坐标系的检测 框、 物体方向角； 一个检测头用于 输出运动预测的结果， 为物体未来的坐标。 [0010]2.如权利要求1所述的路侧激光雷达超视距感知方法， 其特征在于， 所述的对点云 数据进行 预处理获取点云特 征图， 具体为： [0011]对于激光雷达获取的原始点云数据， 首先进行去地面过滤， 减少来自地面的点云 干扰； 再对剩余的点云数据以俯视视角进行投影， 并进行格栅化处理， 使点云投影至Z平面 的格栅上， 再对每 个格栅内的点云进行 特征提取。 [0012]3.根据权利要求2所述的路侧激光雷达超视距感知方法， 其特征在于， 除了对当前 帧的点云进行 特征提取， 还 对前四帧的点云进行 特征提取； [0013]并将前四帧与当前帧， 共计五帧点云进行格栅化， 提取每个格栅的点云高度、 密说　明　书 1/5 页 3 CN 114565901 A 3