[發(fā)明專利]一種基于深度學習的雷達傳感器模型保真度的評估方法在審
| 申請?zhí)枺?/td> | 202210020097.7 | 申請日： | 2022-01-10 |
| 公開（公告）號： | CN114384483A | 公開（公告）日： | 2022-04-22 |
| 發(fā)明（設計）人： | 孟康;曹陽;劉瑜平 | 申請（專利權）人： | 清華珠三角研究院 |
| 主分類號： | G01S7/40 | 分類號： | G01S7/40;G01S13/931;G06N3/04;G06N3/08 |
| 代理公司： | 北京東方盛凡知識產權代理事務所(普通合伙) 11562 | 代理人： | 李瑞雨 |
| 地址： | 510530 廣東省廣州*** | 國省代碼： | 廣東;44 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 深度 學習 雷達 傳感器 模型 保真度 評估 方法 | ||
1.一種基于深度學習的雷達傳感器模型保真度的評估方法,其特征在于，包括：
獲取雷達點云數據，所述雷達點云數據包括真實數據和模擬數據；
基于所述真實數據和所述模擬數據進行相似度評估，獲得評估結果；
基于所述評估結果，實現對雷達傳感器模型的保真評估。
2.根據權利要求1所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，
獲取所述真實數據包括，
基于測試場景進行真實駕駛，生成真實的雷達點云信息，獲得所述真實數據；
獲取所述模擬數據包括，
基于所述真實數據進行仿真獲得所述模擬數據；或，基于雷達傳感器生成虛擬場景，得到模擬的雷達點云信息；基于所述雷達點云信息獲得所述模擬數據。
3.根據權利要求1所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，
基于所述真實數據和所述模擬數據進行相似度評估包括傳統指標評價、深度指標評價。
4.根據權利要求3所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，
所述傳統指標評價為基于二維距離和多普勒速度的差異計算所述真實數據和所述模擬數據的相似度。
5.根據權利要求4所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，所述相似度的評估指標至少包括點云間的距離、瓦瑟斯坦距離；
所述點云間的距離為真實點云到模擬點云的最小歐幾里得距離的歸一化和。
6.根據權利要求3所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，
所述深度指標評價包括，將所述真實數據與雷達模型數據進行隨機混合，獲得第一數據集；對所述第一數據集進行增強，基于增強后的數據集通過隨機高斯噪聲進行擾動，獲得第二數據集；基于PointNet++網絡模型對所述第二數據集的點云數據進行深度評價度量，獲得度量結果。
7.根據權利要求6所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，輸入所述PointNet++網絡模型的點云數據至少包括兩個空間坐標和多普勒速度。
8.根據權利要求3所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，所述深度指標評價還包括，在過采樣的情況下采用隨機重復的方法，在欠采樣的情況下采用繪制的方法進行采樣，實現點云的輸入點數固定。
9.根據權利要求6所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，所述深度評價度量基于真實雷達點云類的預測置信度分數進行深度指標評價。
10.根據權利要求1所述的基于深度學習的雷達傳感器模型保真度的評估方法，其特征在于，所述評估方法還包括評估結果標準化，包括將度量結果縮放后進行z-score標準化，通過調整傳統指標和深度指標的重要性系數進行保真評估的空間數值映射。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于清華珠三角研究院，未經清華珠三角研究院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業(yè)授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210020097.7/1.html，轉載請聲明來源鉆瓜專利網。
