[發明專利]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

• 申請號: 202210020097.7
• 申請日: 2022-01-10
• 公開（公告）號: CN114384483A
• 公開（公告）日: 2022-04-22
• 發明（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

本發明公開了一種基于深度學習的雷達傳感器模型保真度的評估方法，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。本發明通過傳統的人工指定的指標和基于深度神經網絡進行學習的隱式度量指標對雷達模型進行保真度評價，利用深度神經網絡對雷達點云的特征進行學習，結合傳統指標能夠全面地對雷達模型的真實性進行評價。并且可以應用于很多種類的雷達傳感器模型，從而能夠評估自動駕駛虛擬測試方法的有效性，具有很高的經濟社會效益。

技術領域

本發明屬于雷達保真度評估領域，特別是涉及一種基于深度學習的雷達傳感器模型保真度的評估方法。

背景技術

雷達(Radar)通過發射電磁波對目標進行照射并接收其回波，由此獲得目標至電磁波發射點的距離、距離變化率(徑向速度)、方位、高度等信息。目前基于模擬的自動駕駛虛擬測試方法應用逐漸廣泛，有必要量化模擬和現實之間的差異，驗證所采用的傳感器模型的保真度是否滿足預期用途。模擬數據的生成主要分為兩個步驟，基于記錄的地面真實數據進行仿真，以及從傳感器的角度生成環境的虛擬場景，得到模擬的雷達點云。目前還沒有可靠的方法來度量雷達傳感器模型保真度，也沒有一個適當的度量。傳統的度量方法主要有原始數據級別的評估方法和形成激光點云后檢測水平的評價方法。原始數據級別的的評估方法只能檢測簡單的場景和基本功能，檢測水平的評價方法目前多為定性評價，缺少定量的評估，并且評價指標以人工制定的顯式為主，缺少對隱式指標的度量。

發明內容

為解決上述問題，本發明提供了如下方案：一種基于深度學習的雷達傳感器模型保真度的評估方法，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。

優選地，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。

優選地，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。

優選地，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。

優選地，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。

優選地，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。

優選地，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。

優選地，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。

優選地，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。

優選地，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。