【技術實現步驟摘要】
本專利技術涉及軌道交通障礙物檢測，具體涉及一種基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法及系統。
技術介紹
1、城市軌道交通是大容量公共交通基礎設施，是大型城市的骨干交通網絡，具有運量大、速度快、可以有效緩解城市交通擁堵狀況。城市軌道交通系統的安全性和運行效率關系到乘客的生命健康安全和出行便利，列車主動障礙物檢測是實現城市軌道交通列車自動化運行的重要研發方向，對于實現列車外異常侵限障礙物進行有效檢測，提升無人駕駛列車障礙物檢測能力，增強車載自主感知能力具有重要意義。
2、城軌列車在復雜且經常具有挑戰性的環境中運行，例如黑暗，大雨，霧和其他惡劣天氣條件。傳統的障礙物檢測方法主要依靠人工，或者基于地面設備的障礙物檢測。前者檢測效率低，勞動強度大；后者檢測范圍有限，若全線監控覆蓋，部署成本高。列車主動障礙物檢測是實現城市軌道交通列車自動化運行的重要研發方向，是提升列車運行安全性的關鍵技術。車載主動障礙物檢測將環境感知傳感器，例如可見光相機、激光雷達與毫米波雷達，和計算資源安裝在車輛端。可見光相機受環境影響較大，暗光環境下圖像會出現不同程度的退化，導致圖像失真，細節丟失，對比度下降，辨識率低。激光雷達采用近紅外光作為探測媒介，在大氣傳播過程中會發生功率衰減，面對雨、雪、霧等“惡劣天氣”使用激光雷達，不僅大幅降低產品性能、還極易出現“虛假障礙物”導致安全事故。
3、與光學相機和激光雷達相比，毫米波雷達在雨、雪、霧、濃度灰塵等環境條件表現出強大的魯棒性，同時，基于多普勒效應的運動物體速度檢測精度要遠高于其他同類
4、當前，針對毫米波雷達點云處理方法存在如下不足；第一，未能充分利用毫米波雷達的速度，位置和rcs特征信息；第二，難以應對數據的稀疏性。由于有限的天線數量導致的角分辨率低、多徑干擾、長距離回波強度降低和鏡面反射等因素影響，相對于激光雷達，毫米波雷達點云更為稀疏，尤其遠距離的反射目標。毫米波雷達數據特征稀疏，一幀數據中的特征量有限，現有的聚類及檢測算法無法有效提取障礙物特征。第三、對于毫米波雷達點云表現出無序性和非規則等特性，使用傳統的卷積神經網絡(cnn)，會導致網絡存在偏向性(根據數據分布，會認為某一區域內更可能有障礙物)。同時，毫米波雷達采集信息標注后，大量無類別背景點導致樣本不均衡嚴重，致使模型偏差明顯，影響檢測效果。
5、現有的一種基于圖神經網絡的毫米波雷達點云的3d目標檢測方法，對毫米波雷達點云數據進行預處理，構建圖狀數據結構的點云數據，構建基于鄰域感知的圖神經網絡nagnn，基于提取到的特征表示，通過多任務頭部檢測網絡預測目標類別、回歸目標位置以及目標檢測置信度，確定毫米波雷達點云的3d目標位置、尺寸和朝向。該技術沒有考慮圖注意力機制對于計算、存儲和規約能力的提高，在圖卷積網絡的旋轉平移不變性等方面考慮不足。
6、一種基于預建圖的雷達障礙物檢測系統，該系統采用一套能夠適應軌道交通場景的定制化高分辨率、遠距離毫米波雷達作為感知傳感器，同時基于預建圖對roi(軌道限界外)障礙物進行濾除。此方法通過預建圖實現roi外的障礙物濾除，利用dbscan算法對雷達點云進行聚類和卡拉曼跟蹤，沒有針對點云稀疏和無序非規則特點提出針對性處理方法，對毫米波雷達目標檢測對象的語義識別也沒有涉及。
7、一種基于毫米波雷達的遠程感知系統，用于檢測道路邊界和列車。該系統采用針對軌道交通強散射環境定制的高分辨率、遠距離毫米波雷達，利用方位散射特性來消除誤檢；根據列車的自身速度將雷達探測點云分為靜態目標點云和動態目標點云。然后，利用道路邊界曲率、全局幾何平行信息和多幀信息融合，在靜態目標點穩定提取和擬合邊界。最后，對雷達軌跡信息進行聚類和形狀估計，根據檢測到的列車的位置和速度以及提取的邊界信息來識別列車并判斷碰撞風險。但其沒有考慮點云稀疏和無序非規則特點，沒有有效利用點云信息中的點與近鄰點及全局點之間的結構化信息，不能充分利用全部的特征。
8、綜上，現有技術存在以下挑戰：列車在復雜且經常具有挑戰性的環境中運行，例如黑暗，大雨，霧和其他惡劣天氣條件。傳統的障礙物檢測方法主要基于可見光相機和激光雷達傳感器。但可見光相機受環境影響較大，暗光環境下圖像會出現不同程度的退化，導致圖像失真，細節丟失，對比度下降，辨識率低。激光雷達采用近紅外光作為探測媒介，在大氣傳播過程中會發生功率衰減，面對雨、雪、霧等“惡劣天氣”使用激光雷達，不僅大幅降低產品性能、還極易出現“虛假障礙物”導致安全事故。現有的基于視覺與雷達融合的方法，網絡復雜，異構傳感器數據對齊誤差和檢測環節冗長等問題；存在著響應速度慢的問題，無法滿足實時性的要求。毫米波雷達點云數據存在不規則性，使用傳統的卷積神經網絡(cnn)，會導致網絡存在偏向性(根據數據分布，會認為某一區域內更可能有障礙物)。同時，毫米波雷達數據特征稀疏，一幀數據中的特征量有限，現有的聚類及檢測算法無法有效提取障礙物特征。毫米波雷達采集信息標注后，大量無類別背景點導致樣本不均衡嚴重，致使模型偏差明顯，影響檢測效果。
技術實現思路
1、本專利技術的目的在于提供一種基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法及系統，以解決上述
技術介紹
中存在的至少一項技術問題。
2、為了實現上述目的，本專利技術采取了如下技術方案：
3、第一方面，本專利技術提供一種基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，包括：
4、毫米波雷達初始化，不斷地向隊列中輸入采集到的雷達幀；從隊列中讀取若干幀雷達點云數據，將處理后的點云數據轉換為圖結構；
5、利用訓練好的圖卷積神經網絡對所述圖結構進行處理，最終輸出障礙物檢測及分類結果，對列車行駛作出預警；其中，所述訓練好的圖卷積神經網絡包括一個回歸頭、4個圖卷積層，所述的回歸頭和每個圖卷積層均包括一個向量嵌入層、一個卷積層、一個正則化層和一個relu激活層；回歸頭中的卷積層為結合了圖注意力機制和自動校準機制的卷積層，圖卷積層中的卷積層為加入了跳轉連接結構的卷積層；每經過一層網絡前，都會進行特征的向量嵌入；節點特征最初嵌入到32維向量中，邊緣特征嵌入到4維向量中。
6、進一步的，圖卷積計算為：
7、bi,j＝f(ei,j,wjsj,wisi),j∈n(i)
8、
9、其中，bi,j為圖結構中節點si與節點sj的結合邊屬性ei,j的計算結果，wi與wj為訓練過程中可學習的權重，經由聚合函數aggr并通過全連接層mlp更新下一層的節點屬性；si′為輸出至下一層網絡的節點特征，n(i)為經過圖數據構建后與點i有連接關系的的所有節點。
10、進一步的，自動校準本文檔來自技高網...
【技術保護點】
1.一種基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，圖卷積計算為：
3.根據權利要求2所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，自動校準機制為，計算系數ci,j，結合Δsi,j進行自動校準，修復雷達傳感器可能測定時存在的誤差，經過線性投射對齊維度：
4.根據權利要求3所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，圖卷積層結構如為：
5.根據權利要求4所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，圖卷積神經網絡的總損失函數為分類類別損失及目標錨框的損失相加得到，其中類別損失為交叉熵損失，錨框損失為huber損失。
6.根據權利要求5所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，交叉損失為：
7.一種基于毫米波雷達圖卷積的城軌車載自主障礙物檢測系統，其特征在于，包括：
8.一種非暫態計算機可讀存儲介質
9.一種計算機設備，其特征在于，包括存儲器和處理器，所述處理器和所述存儲器相互通信，所述存儲器存儲有可被所述處理器執行的程序指令，所述處理器調用所述程序指令執行如權利要求1-6任一項所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法。
10.一種電子設備，其特征在于，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設備運行時，所述處理器執行所述存儲器存儲的計算機程序，以使電子設備執行實現如權利要求1-6任一項所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法的指令。
...【技術特征摘要】
1.一種基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，包括：
2.根據權利要求1所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，圖卷積計算為：
3.根據權利要求2所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，自動校準機制為，計算系數ci,j，結合δsi,j進行自動校準，修復雷達傳感器可能測定時存在的誤差，經過線性投射對齊維度：
4.根據權利要求3所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，圖卷積層結構如為：
5.根據權利要求4所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，圖卷積神經網絡的總損失函數為分類類別損失及目標錨框的損失相加得到，其中類別損失為交叉熵損失，錨框損失為huber損失。
6.根據權利要求5所述的基于毫米波雷達圖卷積的城軌車載自主障礙物檢測方法，其特征在于，交叉損失為：<...
【專利技術屬性】
技術研發人員：徐田華，黃雨凡，李錦鵬，蔡偉陽，
申請(專利權)人：北京交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。