(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 20221048415 5.1 (22)申请日 2022.05.06 (71)申请人 东风悦享科技有限公司 地址 430000 湖北省武汉市武汉经济技 术 开发区全力二路101号经开智造2045 创新谷智能制造创新中心D240 (72)发明人 王科未　曹恺　骆嫚　万骞　 周智颖　周子建　 (74)专利代理 机构 武汉智嘉联合知识产权代理 事务所(普通 合伙) 42231 专利代理师 周伟 (51)Int.Cl. G01C 21/00(2006.01) G01C 21/32(2006.01) G06V 10/22(2022.01)G06V 10/26(2022.01) G06V 10/75(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种智能汽车局部 语义栅格地图生成方法 (57)摘要 本发明提供了一种智能汽车局部语义栅格 地图生成方法， 包括步骤： S01、 构建语义栅格地 图生成任务训练数据集； S02、 构建语义栅格地图 生成模型； S03、 训练语义栅格地图生成模型； S04、 部署语义栅格地图生成模型。 本发明旨在通 过以单帧激光雷达点云进行语义栅格地图构建， 其继承了栅格地图在规划和决策的方面的优势 特性， 能够满足复杂驾驶环境下的需求。 本发明 所提出的语义栅格地图生成任务训练数据集构 建方法能避免人工标注的效率底下的问题， 实现 训练数据的快速、 高效构建， 大量的训练数据是 模型性能的基础保证。 本发明所提出的语义栅格 地图生成模型是一种轻量级、 高效的深度学习模 型， 能够利用单帧稀 疏的激光雷达点云构建车辆 周围的语义 栅格地图。 权利要求书2页 说明书6页 附图5页 CN 115143950 A 2022.10.04 CN 115143950 A 1.一种智能汽车局部语义 栅格地图生成方法， 其特 征在于， 包括 步骤： S01、 构建语义 栅格地图生成任务训练数据集； S02、 构建语义 栅格地图生成模型； S03、 训练语义 栅格地图生成模型； S04、 部署语义 栅格地图生成模型。 2.根据权利要求1所述的智能汽车局部语义栅格地图生成方法， 其特征在于， 步骤S01 包括如下步骤： S011、 采集点云数据和车辆 定位数据； S012、 利用点云语义分割算法对 采集的点云数据进行语义标注； S013、 对标注点云数据进行聚合以获取当前位置的密集 点云数据； S014、 对语义 点云进行坐标变换以获取栅格地图的语义标注； S015、 对语义 栅格地图标签进行优化。 3.根据权利要求1所述的智能汽车局部语义栅格地图生成方法， 对于步骤S02， 其特征 在于： 利用二 维卷积神经网络， 把无规则的激光雷达点云数据作为输入数据， 进 行栅格化处 理得到俯视视角下 的多维度栅格属 性特征， 之后再通过多次的下采样、 残差卷积和上采样 处理后输出语义 栅格地图生成模型。 4.根据权利要求1所述的智能汽车局部语义栅格地图生成方法， 对于步骤S03， 其特征 在于： 将语义栅格地图生成模型的训练任务视为多类别像素级分类问题， 设置训练超参数， 然后设置自适应距估计Adam优化器， 采用交叉熵损失函数作为目标函数改善模 型的收敛结 果， 使用自适应距估计优化器改善损失下降路径， 以提高训练模型的性能。 5.根据权利要求2所述的智能汽车局部语义栅格地图生成方法， 其特征在于： 利用点云 分割算法离线处理所采集的点云数据， 获取单帧点云语义分割标签， 得到语义点云P＝{pi| i＝1， ， ， N}， 其中pi＝(xi， yi， zi， ri， si)为其中一点， xi、 yi和zi为其坐标， ri和si分别为其反射 率和语义标签。 6.根据权利要求2所述的智能汽车局部语义栅格地图生成方法， 其特征在于： 对于步骤 S013， 根据相 邻帧之间的定位信息， 获取相邻帧之间的空间转换关系， 将前后一定范围内的 单帧点云聚合到当前帧上， 获取密集的语义 点云Pk＝{Pk‑n， ...， Pk， ...， Pk+n}。 7.根据权利要求2所述的智能汽车局部语义栅格地图生成方法， 其特征在于： 将聚合点 云栅格化， 得到栅格属性图Gk＝{cij|i＝1， ...， H； j＝1， ...， W}， 以及每个单元格中包含的 各个类别的点的数量 Csd为总的类别集合， 根据单元格中包含的点的类别设定 该单元格的语义标签 类别。 8.根据权利要求2所述的智能汽车局部语义栅格地图生成方法， 其特征在于： 通过 DBSCAN算法对标签中的动态类别单元格进行聚类得到目标实例后， 与单帧检测下的目标实 例进行匹配， 通过判断单帧点云中是否存在与之匹配的实例， 对不可见目标 的标注进行识 别和筛除， 以进行优化处 理。 9.根据权利要求4所述的智能汽车局部语义栅格地图生成方法， 其特征在于： 所采用的 目标函数为权　利　要　求　书 1/2 页 2 CN 115143950 A 2其中， H和W分别为 栅格图的长和宽； M为语义类别的数量； y和p分别为预测值和真值； 其中， Nc和N分别为类别c的样本数量和所有类别的样本数量。 10.根据权利要求4所述的智能汽车局部语义栅格地图生成方法， 其特征在于： 根据设 计的目标函数， 采用Adam优化器进 行无遮挡道路检测模型的参数优化， 计算t时间步的梯度 gt 首先计算梯度的指数移动平均数mt， 并通过指数衰减率β1控制动量与当前梯度的权重 分配， 其中m0＝0， β1取值为0.9， 其更显公式如下 mt＝β1mt‑1+(1‑β1)gt 其次， 计算梯度平方的指数移动平均数vt， v0＝0， β2＝0.999为控制 上一时刻的梯度平 方的影响情况， 其公式如下 再次， 对mt进行偏差纠正， 降低偏差对训练初期的影响 对vt进行纠正， 降低偏差对训练初期的影响， 其公式如下 最后， 更新 参数， 设置默认学习率α ＝0.0 01， ε＝10‑8以避免除数为0， 其公式如下 权　利　要　求　书 2/2 页 3 CN 115143950 A 3