目标实时检测方法以及装置、存储介质、电子装置与流程

技术特征：
1.一种目标实时检测方法，其特征在于，包括：基于激光雷达传感器采集得到的点云数据，按照预设采样方式得到下采样数据；将所述下采样数据输入预先训练的目标检测模型，其中，所述目标检测模型为使用多组点云数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本点云数据和所述样本点云数据的坐标位置；根据所述目标检测模型，实时检测出目标的姿态位置信息。2.根据权利要求1所述的方法，其特征在于，所述姿态位置信息包括：目标的姿态信息预测结果和目标的位置信息预测结果，根据所述在预先训练的目标检测模型中保存的目标检测网络的权重参数、所述姿态信息预测结果以及所述位置信息预测结果，确定出所述姿态位置信息。3.根据权利要求2所述的方法，其特征在于，所述目标至少包括物品，并基于所述实时检测出所述物品的姿态位置信息，控制机器人操作系统执行预设操作。4.根据权利要求1所述的方法，其特征在于，所述预先训练的目标检测模型，其中，所述目标检测模型为使用多组点云数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本点云数据和所述样本点云数据的坐标位置，包括：全局特征描述部分、姿态估计部分以及位姿估计部分，所述全局特征描述部分接收所述下采样数据，通过特征提取得到全局特征；将所述全局特征分别作为所述姿态估计部分以及所述位姿估计部分的输入；在所述姿态估计部分中，采用全连接层预测所述物品的姿态；在所述位姿估计部分中，采用全连接层预测所述物品的位置；基于预设矩阵描述所述姿态和所述位置；其中，所述全局特征描述部分，用于基于卷积神经网络完成目标特征采样；所述姿态估计部分，用于基于全连接神经网络和网络激活函数，输出第一维度的旋转矩阵，并对目标的角度进行描述；所述位姿估计部分，用于基于全连接神经网络和网络激活函数，输出第二维度的目标中心位置，并对所述目标所处位置进行描述。5.根据权利要求4所述的方法，其特征在于，所述预先训练的目标检测模型还包括：离线训练部分以及在线检测部分，基于所述离线训练部分，用于构造训练所需要的物品数据，并且在离线训练过程中保存经过训练后的网络权重，用以作为在线检测部分的基础参数；基于所述在线检测部分，用于通过离线训练得到的预测网络模型，完成对目标位置和姿态的预测。6.根据权利要求5所述的方法，其特征在于，所述离线训练部分还包括：将经过采样后的稀疏点云输入待训练的目标检测模型中进行训练，将训练好的目标检测模型保存并用于可实时检测所以目标；所述将经过采样后的稀疏点云输入待训练的目标检测模型中进行训练包括：输入三维稀疏点云数据；通过共享的多层神经网络进行特征提取，得到多维的全局特征；将所述全局特征分别作为姿态估计分支和位置估计分支的输入。
7.根据权利要求1所述的方法，其特征在于，所述基于激光雷达传感器采集得到的点云数据，按照预设采样方式得到下采样数据包括：基于激光雷达传感器采集得到的点云数据使用随机采样法将密集的点云数据完成下采样，并得到稀疏点云数据即所述下采样数据。8.一种目标实时检测装置，其特征在于，包括：下采样模块，用于基于激光雷达传感器采集得到的点云数据，按照预设采样方式得到下采样数据；目标检测模块，用于将所述下采样数据输入预先训练的目标检测模型，其中，所述目标检测模型为使用多组点云数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本点云数据和所述样本点云数据的坐标位置；输出模块，用于根据所述目标检测模型，实时检测出目标的姿态位置信息。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至7任一项所述的方法。10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至7任一项所述的方法。

技术总结
本申请公开了一种目标实时检测方法以及装置、存储介质、电子装置。该方法包括基于激光雷达传感器采集得到的点云数据，按照预设采样方式得到下采样数据；将所述下采样数据输入预先训练的目标检测模型，其中，所述目标检测模型为使用多组点云数据通过机器学习训练得出的，多组数据中的每组数据均包括：样本点云数据和所述样本点云数据的坐标位置；根据所述目标检测模型，实时检测出目标的姿态位置信息。本申请解决了智能机器人的目标检测能力不足的技术问题。通过本申请实现了机器人对目标的位置与位姿的准确预测，并且可应用到多个不同的机器人上。的机器人上。的机器人上。


技术研发人员：李玉洁 杨朔 郑禹超 陆慧敏
受保护的技术使用者：江苏共知自动化科技有限公司
技术研发日：2021.07.19
技术公布日：2021/10/26