一种基于深度学习的雷达传感器模型保真度的评估方法与流程

1.本发明属于雷达保真度评估领域，特别是涉及一种基于深度学习的雷达传感器模型保真度的评估方法。


背景技术：

2.雷达(radar)通过发射电磁波对目标进行照射并接收其回波，由此获得目标至电磁波发射点的距离、距离变化率(径向速度)、方位、高度等信息。目前基于模拟的自动驾驶虚拟测试方法应用逐渐广泛，有必要量化模拟和现实之间的差异，验证所采用的传感器模型的保真度是否满足预期用途。模拟数据的生成主要分为两个步骤，基于记录的地面真实数据进行仿真，以及从传感器的角度生成环境的虚拟场景，得到模拟的雷达点云。目前还没有可靠的方法来度量雷达传感器模型保真度，也没有一个适当的度量。传统的度量方法主要有原始数据级别的评估方法和形成激光点云后检测水平的评价方法。原始数据级别的的评估方法只能检测简单的场景和基本功能，检测水平的评价方法目前多为定性评价，缺少定量的评估，并且评价指标以人工制定的显式为主，缺少对隐式指标的度量。


技术实现要素：

3.为解决上述问题，本发明提供了如下方案：一种基于深度学习的雷达传感器模型保真度的评估方法，包括：
4.获取雷达点云数据，所述雷达点云数据包括真实数据和模拟数据；
5.基于所述真实数据和所述模拟数据进行相似度评估，获得评估结果；
6.基于所述评估结果，实现对雷达传感器模型的保真评估。
7.优选地，获取所述真实数据包括，
8.基于测试场景进行真实驾驶，生成真实的雷达点云信息，获得所述真实数据；
9.获取所述模拟数据包括，
10.基于所述真实数据进行仿真获得所述模拟数据；或，基于雷达传感器生成虚拟场景，得到模拟的雷达点云信息；基于所述雷达点云信息获得所述模拟数据。
11.优选地，基于所述真实数据和所述模拟数据进行相似度评估包括传统指标评价、深度指标评价。
12.优选地，所述传统指标评价为基于二维距离和多普勒速度的差异计算所述真实数据和所述模拟数据的相似度。
13.优选地，所述相似度的评估指标至少包括点云间的距离、瓦瑟斯坦距离；
14.所述点云间的距离为真实点云到模拟点云的最小欧几里得距离的归一化和。
15.优选地，所述深度指标评价包括，将所述真实数据与雷达模型数据进行随机混合，获得第一数据集；对所述第一数据集进行增强，基于增强后的数据集通过随机高斯噪声进行扰动，获得第二数据集；基于pointnet 网络模型对所述第二数据集的点云数据进行深度评价度量，获得度量结果。
16.优选地，输入所述pointnet 网络模型的点云数据至少包括两个空间坐标和多普勒速度。
17.优选地，所述深度指标评价还包括，在过采样的情况下采用随机重复的方法，在欠采样的情况下采用绘制的方法进行采样，实现点云的输入点数固定。
18.优选地，所述深度评价度量基于真实雷达点云类的预测置信度分数进行深度指标评价。
19.优选地，所述评估方法还包括评估结果标准化，包括将度量结果缩放后进行z-score标准化，通过调整传统指标和深度指标的重要性系数进行保真评估的空间数值映射。
20.本发明公开了以下技术效果：
21.本发明提供的一种基于深度学习的雷达传感器模型保真度的评估方法，从检测层面，通过传统的人工指定的指标和基于深度神经网络进行学习的隐式度量指标对雷达模型进行保真度评价。此方法利用深度神经网络对雷达点云的特征进行学习，结合传统指标能够全面地对雷达模型的真实性进行评价。并且可以应用于很多种类的雷达传感器模型，从而能够评估自动驾驶虚拟测试方法的有效性，具有很高的经济社会效益。
附图说明
22.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
23.图1为本发明实施例的方法流程结构图；
24.图2为本发明实施例的训练过程结构图；
25.图3为本发明实施例的测试过程结构图。
具体实施方式
26.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
28.随着自动驾驶测试技术的发展，虚拟测试越来越成为其重要内容。雷达传感器模型作为虚拟测试的重要组件，其真实度是虚拟测试可靠性的决定性内容。为了确定传感器模型的可靠性，需要检测雷达传感器模型的模拟数据和真实数据的差距。目前有许多雷达传感器模拟方法，但验证和定量评估雷达模型的整体保真度的问题仍未得到解决。基于此，本专利提出了一种基于深度学习将传统指标与隐藏度量评价相结合的多层次评估方法，用来对雷达传感器模型的保真度进行整体定量评估。
29.如图1所示，本发明提供了一种基于深度学习的雷达传感器模型保真度的评估方法,包括：
30.获取雷达点云数据，所述雷达点云数据包括真实数据和模拟数据；
31.基于所述真实数据和所述模拟数据进行相似度评估，获得评估结果；
32.基于所述评估结果，实现对雷达传感器模型的保真评估。
33.获取所述真实数据包括，
34.基于测试场景进行真实驾驶，生成真实的雷达点云信息，获得所述真实数据；
35.获取所述模拟数据包括，
36.基于所述真实数据进行仿真获得所述模拟数据；或，基于雷达传感器生成虚拟场景，得到模拟的雷达点云信息；基于所述雷达点云信息获得所述模拟数据。
37.基于所述真实数据和所述模拟数据进行相似度评估包括传统指标评价、深度指标评价。
38.所述传统指标评价为基于二维距离和多普勒速度的差异计算所述真实数据和所述模拟数据的相似度。
39.所述相似度的评估指标至少包括点云间的距离、瓦瑟斯坦距离；
40.所述点云间的距离为真实点云到模拟点云的最小欧几里得距离的归一化和。
41.所述深度指标评价包括，将所述真实数据与雷达模型数据进行随机混合，获得第一数据集；对所述第一数据集进行增强，基于增强后的数据集通过随机高斯噪声进行扰动，获得第二数据集；基于pointnet 网络模型对所述第二数据集的点云数据进行深度评价度量，获得度量结果。
42.输入所述pointnet 网络模型的点云数据至少包括两个空间坐标和多普勒速度。
43.所述深度指标评价还包括，在过采样的情况下采用随机重复的方法，在欠采样的情况下采用绘制的方法进行采样，实现点云的输入点数固定。
44.所述深度评价度量基于真实雷达点云类的预测置信度分数进行深度指标评价。
45.所述评估方法还包括评估结果标准化，包括将度量结果缩放后进行z-score标准化，通过调整传统指标和深度指标的重要性系数进行保真评估的空间数值映射。
46.实施例一
47.进一步地，本发明提供的基于深度学习的雷达传感器模型保真度的评估方法,包括：
48.步骤一:选择测试场景，如前方车辆换道切入场景。
49.步骤二：进行真实驾驶并生成真实的雷达点云信息。
50.步骤三：通过待进行评估的模拟方法，模拟驾驶并生成雷达点云数据。
51.步骤四：检测层面的传统指标进行评估。
52.比较真实和模拟的雷达探测数据的二维距离和多普勒速度的相似度，评估指标有两个分别是点云间的距离dpp和瓦瑟斯坦距离emd。
53.本方法从检测层面，通过两个指标即传统指标、深度指标对雷达模型的保真度进行评价。
54.传统指标评价：
55.传统指标评价通过二维距离和多普勒速度这两个分量的差异计算真实雷达点云和模拟生成的雷达点云的相似性，主要包括两个计算度量。
56.第一个度量是真实点云到模拟点云的最小欧几里得距离的归一化和，用dpp
evaluation metric)。训练和测试的过程结构图如图2-3所示。
66.步骤六：各度量结果标准化。直接计算出来的传统指标和深度指标的单位不同，需要进行缩放，将结果进行z-score标准化后，将数值映射在0-1空间内，也可以根据需要调整传统指标和深度指标的重要性系数。
67.本发明提供的一种基于深度学习的雷达传感器模型保真度的评估方法，从检测层面，通过传统的人工指定的指标和基于深度神经网络进行学习的隐式度量指标对雷达模型进行保真度评价。此方法利用深度神经网络对雷达点云的特征进行学习，结合传统指标能够全面地对雷达模型的真实性进行评价。并且可以应用于很多种类的雷达传感器模型，从而能够评估自动驾驶虚拟测试方法的有效性，具有很高的经济社会效益。
68.以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。