[發明專利]自動駕駛車輛中使用3D CNN網絡進行解決方案推斷的LIDAR定位

在審

• 申請號: 201980002102.8
• 申請日: 2019-01-30
• 公開（公告）號: CN111771141A
• 公開（公告）日: 2020-10-13
• 發明（設計）人: 盧維欣;周堯;萬國偉;侯深化;宋適宇
• 申請（專利權）人: 百度時代網絡技術（北京）有限公司;百度（美國）有限責任公司
• 主分類號: G01S17/931
• 分類號: G01S17/931;G01S17/894;G06T7/73
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 馬曉亞;王艷春

在LIDAR定位中使用神經網絡進行解決方案推斷的方法包括在解空間中構建用于自動駕駛車輛(ADV)的預測姿勢的成本量。該成本量包括多個子量。每個子量表示來自在線點云的關鍵點與預建的點云地圖上的相應關鍵點之間的匹配成本(1001)。該方法還包括使用常規神經網絡(CNN)來使所述成本量正則化以匹配成本細化匹配成本(1003)；以及從所正則化的成本量推斷預測姿勢的最佳偏移。最佳偏移可以用于確定所述ADV的位置(1005)。

技術領域

本公開的實施方式總體涉及操作自動駕駛車輛。更具體地，本公開的實施方式涉及在用于自動駕駛車輛定位的光探測和測距(LIDAR) 定位中使用神經網絡進行解決方案推斷。

背景技術

自動駕駛車輛(ADV)可以將乘客(尤其是駕駛員)從一些駕駛相關的職責中解放出來。當以自動駕駛模式運行時，車輛可以使用車載傳感器以及高清地圖導航到各個位置，從而允許車輛在最少人機交互的情況下或在沒有任何乘客的一些情況下駕駛。

為了安全駕駛，ADV需要精確且可靠地估計其位置和取向。理想情況下，ADV的定位需要精確到厘米和次級度(sub-degree)的方位角。使用光探測和測距(LIDAR)掃描儀的現有定位方法在定位管線中通常需要若干階段。雖然現有方法中的一些在不同場景的定位精度和魯棒性方面具有出色的性能，但它們通常需要大量的工程性工作來對管線中的一些階段進行硬編碼并進行微調，并且對某些場景具有強烈的偏好。另一方面，雖然神經網絡已經用來處理語義并且已經實現了良好的結果，但是神經網絡在解決與3D幾何相關的任務(例如，定位問題)方面是存在欠缺的。

發明內容

在第一方面，本公開提供了一種用于在光探測和測距(LIDAR) 定位中使用神經網絡進行解決方案推斷的計算機實施方法，該方法包括：在解空間中構建用于自動駕駛車輛的預測姿勢的成本量，其中，成本量包括多個子量，每個子量表示來自在線點云的關鍵點與預建的點云地圖上的相應關鍵點之間的匹配成本；使用多個常規神經網絡(CNN)來使成本量正則化以匹配成本細化匹配成本；以及從所正則化的成本量推斷預測姿勢的最佳偏移，最佳偏移用于確定ADV的位置。

在第二方面，本公開提供了一種提取用于在光探測和測距 (LIDAR)定位中使用神經網絡來進行解決方案推斷的點云特征的系統，該系統包括：處理器；以及存儲器，所述存儲器聯接至處理器以存儲指令，所述指令在由處理器運行時使得處理器執行以下操作，所述操作包括：在解空間中構建用于自動駕駛車輛的預測姿勢的成本量，其中，成本量包括多個子量，每個子量表示來自在線點云的關鍵點與預建的點云地圖上的相應關鍵點之間的匹配成本；使用多個常規神經網絡(CNN)來使成本量正則化以匹配成本細化匹配成本；以及從所正則化的成本量推斷預測姿勢的最佳偏移，最佳偏移用于確定ADV 的位置。

在第三方面，本公開提供了一種存儲有指令的非暫時性機器可讀介質，指令在由處理器運行時使得處理器執行提取用于在光探測和測距(LIDAR)定位中使用神經網絡來進行解決方案推斷的點云特征的操作，所述操作包括：在解空間中構建用于自動駕駛車輛的預測姿勢的成本量，其中，成本量包括多個子量，每個子量表示來自在線點云的關鍵點與預建的點云地圖上的相應關鍵點之間的匹配成本；使用多個常規神經網絡(CNN)來使成本量正則化以匹配成本細化匹配成本；以及從所正則化的成本量推斷預測姿勢的最佳偏移，最佳偏移用于確定ADV的位置。

附圖說明

本公開的實施方式以示例而非限制的方式示出在附圖的各圖中，附圖中相似的附圖標記指示相似的元件。

圖1是示出根據本公開的一個實施方式的自動駕駛車輛網絡配置的框圖。

圖2是示出根據一個實施方式的自動駕駛車輛的示例的框圖。

圖3A至圖3B是示出根據一個實施方式的與自動駕駛車輛一起使用的感知與規劃系統的示例的框圖。

圖4示出了根據本發明實施方式的基于學習的LiDAR定位系統。