(19)中华 人民共和国 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 202111679534.8 (22)申请日 2021.12.31 (71)申请人 中国第一汽车股份有限公司 地址 130011 吉林省长 春市汽车 经济技术 开发区新红旗大街1号 (72)发明人 郭昌野　王宇　耿真　 (74)专利代理 机构 北京博浩百 睿知识产权代理 有限责任公司 1 1134 代理人 谢湘宁 (51)Int.Cl. G06V 20/58(2022.01) G06V 10/774(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/08(2006.01) (54)发明名称 3D点云目标的检测方法和装置 (57)摘要 本发明公开了一种3D点云目标的检测方法 和装置。 其中， 该方法包括： 在自动驾驶车辆 行驶 过程中， 获取行驶道路的三维点云数据， 其中， 自 动驾驶车辆安装有低功耗 嵌入式平台， 并通过安 装的激光雷达传感器采集得到行驶道路的三维 点云数据； 将行驶道路的三维点云数据输入至3D 点云目标检测模 型的优化模型， 识别出位于行驶 道路所在的区域范围内的至少一种目标信息； 其 中， 3D点云目标检测模 型的优化模型为运行在低 功耗嵌入式平台上的模型。 本发明解决了3D目标 检测模型使用范围小的技 术问题。 权利要求书2页 说明书10页 附图1页 CN 114359868 A 2022.04.15 CN 114359868 A 1.一种3D点云目标的检测方法， 其特 征在于， 应用于自动驾驶车辆， 该 方法包括： 在自动驾驶车辆行驶过程中， 获取行驶道路的三维点云数据， 其中， 所述自动驾驶车辆 安装有低功 耗嵌入式平台， 并通过安装的激光雷达传感器采集得到所述行驶道路的三维点 云数据； 将所述行驶道路的三维点云数据输入至3D点云目标检测模型的优化模型， 识别出位于 所述行驶道路所在的区域范围内的至少一种目标信息； 其中， 所述3D点云目标检测模型的优化模型为运行在所述低功耗嵌入式平台上的模 型。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 获取3D点云目标检测模型的原 始模型； 通过裁剪所述原 始模型， 得到主干网络模型； 结合轻量 化的点云特 征， 对所述主干网络模型进行 预处理， 生成目标模型； 基于所述原始模型的检测误差和所述目标模型的检测误差， 生成所述目标模型的总体 误差。 3.根据权利要求2所述的方法， 其特征在于， 采用剪枝算法对所述原始模型中的重量级 主干网络部 分进行裁剪， 得到所述主干网络模型， 其中， 所述主干网络模型为所述目标模型 中的轻量级 主干网络 。 4.根据权利要求2所述的方法， 其特征在于， 基于预设的损失函数对所述原始模型进行 多轮迭代训练， 在经过所述多轮迭代训练后的所述原始模型的模型精度达到目标精度值 时， 生成优化后的所述原 始模型， 其中， 所述损失函数为基于随机梯度下降算法的函数。 5.根据权利要求2 ‑4中任意一项所述的方法， 其特征在于， 在将所述行驶道路的三维点 云数据输入值所述3D点云目标检测模型的优化模型之前， 所述方法还 包括： 对所述原始模型进行多轮迭代训练之后， 如果所述目标模型的总体误差下降到目标 值， 验证所述原 始模型的模型精度； 如果所述模型精度达到目标精度值 时， 确定所述目标模型的精度同样达到所述目标精 度值； 对到达所述目标精度值得所述目标模型进行定点压缩， 生成所述3D点云目标检测模型 的优化模型。 6.根据权利要求5所述的方法， 其特征在于， 基于所述原始模型的检测误差和所述目标 模型的检测误差， 生成所述目标模型的总体误差， 包括： 获取所述原始模 型检测误差Lteacher， 其中， 所述Lteacher＝Lreg+λLcls， Lreg为检测框回归值 和标注信息的误差， Lcls为检测框分类值和标注信息的误差， λ表征所述原始模型检测分支 的权重； 获取所述目标模型的检测误差Lstudent， 其中， 所述Lstudent＝Lreg+λ1Lcls， Lreg为检测框回 归值和标注信息的误差， Lcls为检测框分类值和标注信息的误差， λ1表征所述目标模型分支 的权重； 将所述原始模型和所述目标模型的分类特征图分别经过激活层， 计算得到均方根误差 Lhm； 将所述原始模型和所述目标模型的尺寸和中心点的检测头， 计算得到两个模型的误差权　利　要　求　书 1/2 页 2 CN 114359868 A 2绝对值Lwlh和Lxyz； 基于所述均方根误差将所述原始模型和所述目标模型的误差绝对值Lwlh和Lxyz， 生成两 个模型之间的蒸馏误差Lkd＝Lhm+λ2Lxyz+λLLwlh； 在对所述原始模型进行多轮迭代训练的过程中， 基于所述蒸馏误差， 同步对所述目标 模型进行多轮迭代训练， 得到所述目标模型的所述总体误差， 其中， 直到所述目标模型的总 体误差下降到目标值时， 如果所述模型精度达到目标精度值时， 确定所述 目标模型 的精度 同样达到所述目标精度值。 7.一种3D点云目标的检测装置， 其特 征在于， 应用于自动驾驶车辆， 该装置包括： 第一获取模块， 用于在自动驾驶车辆行驶过程中， 获取行驶道路的三维点云数据， 其 中， 所述自动驾驶车辆安装有低功耗嵌入式平台， 并通过安装的激光雷达传感器采集得到 所述行驶道路的三维点云数据； 识别模块， 用于将所述行驶道路的三维点云数据输入至所述3D点云目标检测模型的优 化模型， 识别出位于所述行驶道路所在的区域范围内的至少一种目标信息； 其中， 所述3D点云目标检测模型的优化模型为运行在所述低功耗嵌入式平台上的模 型。 8.根据权利要求7 所述的装置， 其特 征在于， 所述装置还 包括： 第二获取模块， 用于获取3D点云目标检测模型的原 始模型； 裁剪模块， 用于通过裁 剪所述原 始模型， 得到主干网络模型； 预处理模块， 用于结合轻量化的点云特征， 对所述主干网络模型进行预处理， 生成目标 模型； 生成模块， 用于基于所述原始模型的检测误差和所述目标模型的检测误差， 生成所述 目标模型的总体误差 。 9.根据权利要求8所述的装置， 其特征在于， 所述裁剪模块包括： 子裁剪模块， 用于采用 剪枝算法对所述原始模型中的重量级主干网络部分进行裁剪， 得到所述主干网络模型， 其 中， 所述主干网络模型为所述目标模型中的轻量级 主干网络 。 10.根据权利要求8所述的装置， 其特征在于， 所述装置还包括： 训练模块， 用于基于预 设的损失函数对所述原始模型进 行多轮迭代训练， 在经过所述多轮迭代训练后的所述原始 模型的模型精度达到目标精度值时， 生成优化后的所述原始模 型， 其中， 所述损失函数为基 于随机梯度下降算法的函数。权　利　要　求　书 2/2 页 3 CN 114359868 A 3