(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 202210541132.X (22)申请日 2022.05.17 (71)申请人 国网安徽省电力有限公司超高压分 公司 地址 230061 安徽省合肥市包河区桐城南 路397号 申请人 中国科学技术大学先进技术研究院 (72)发明人 董翔宇　尚伟伟　樊培培　何果　 黄杰　张飞　刘之奎　李腾　 张俊杰　谢佳　李卫国　郭振宇　 (74)专利代理 机构 北京润平知识产权代理有限 公司 11283 专利代理师 刘兵 (51)Int.Cl. G06V 20/10(2022.01)G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于三维激光雷达构建语义地图的方法及 系统 (57)摘要 本发明实施例提供一种基于三维激光雷达 构建语义地图的方法及系统， 属于人工智能技术 领域。 所述方法及系统包括： 建立点云语义分割 的全卷积神经网络模型； 采用大规模KITTI语义 数据集与现场环境数据集训练所述全卷积神经 网络模型； 采用训练完成的所述全 卷积神经网络 根据采集信息生成对应的语义信息； 采用SLAM方 法根据所述语义信息和采集信息构建语义地图。 该方法及系统能够高效生成语义 地图。 权利要求书4页 说明书11页 附图4页 CN 115035404 A 2022.09.09 CN 115035404 A 1.一种基于三维激光雷达构建语义 地图的方法， 其特 征在于， 所述方法包括： 建立点云语义分割的全卷积神经网络模型； 采用大规模KIT TI语义数据集与现场环境数据集训练所述全卷积神经网络模型； 采用训练完成的所述全卷积神经网络根据采集信息生成对应的语义信息； 采用SLAM方法根据所述语义信息和采集信息构建语义 地图。 2.根据权利要求1所述的方法， 其特 征在于， 所述全卷积神经网络模型包括： 下采样编码器， 用于接收输入的采集信 息， 并在所述采集信 息的垂直方向上保留信 息， 在水平方向上 执行下采样操作； 解码器模块， 用于将所述下采样编码器输出的特 征上采样至原 始的图像分辨 率； 推理点云语义模块， 用于根据所述解码器模块输出的特征对点云语义进行分类， 以得 到所述语义信息 。 3.根据权利要求1所述的方法， 其特征在于， 建立点云语义分割的全卷积神经网络模型 包括： 在三维激光雷达的传感器仅能够在垂直平面上扫描成像的情况下， 对所述采集信 息进 行去斜操作， 去除所述采集信息中的移动物体， 以得到无畸变的3D点云数据； 根据公式(1)将所述3D点云数据转换为 二维图像数据， 其中， u、 v为所述二维图像数据中的坐标， x1、 y1、 z1分别为所述采集信息中的点的坐标， fovup为所述三维激光雷达垂直向上的视场角度， col为二维图像数据的宽度， row为二维图 像数据的高度， fovdown为所述三维激光雷达垂直向下的视场角度。 4.根据权利要求2所述的方法， 其特 征在于， 所述 解码器模块包括Dark net53网络； 所述推理点云语义模块用于： 根据公式(2)对所述 点云语义进行分类， 其中， 为归一化后的分类至类别c的概率， re sc为类别c对 应的无边界的输出结果， C为 类别的数量。 5.根据权利要求1所述的方法， 其特征在于， 采用大规模KITTI语义数据集与现场环境 数据集训练所述全卷积神经网络模型包括： 采用随机梯度下降法和公式(3)对所述全卷积神经网络模型进行迭代优化，权　利　要　求　书 1/4 页 2 CN 115035404 A 2其中， L为加权交叉熵损失函 数的值， C 为类别的数量， fc为类别c出 现的 概率， ε为偏置量， 为归一化后的分类至类别c的概率， resc为类别c对应的无 边界的输出 结果， yc为归一化前的分类至类别c的概 率。 6.根据权利要求1所述的方法， 其特征在于， 采用SLAM方法根据 所述语义信息和采集信 息构建语义 地图包括： 遍历当前边缘特征点集中的每个当前边缘特征点， 在局部地图边缘特征点集中寻找与 所述当前边 缘特征点最接近的点； 以所述最接近的点为原点寻找相邻点 集； 根据公式(4)计算相邻点 集中各个点的中心均值 坐标， 其中， cx、 cy、 cz为所述中心均值坐标， xk、 yk、 zk为第k个点 的坐标， N为所述相邻点集中 点的数量； 根据公式(5)计算所述相邻点 集在每个方向上的平均误差， 其中， ax、 ay、 az为所述相邻点 集在每个方向上的平均误差； 根据公式(6)计算所述相邻点 集的协方差矩阵， 根据公式(7)计算当前边 缘特征点到对应的边 缘线的距离残差， 其中， 为第i个当前边缘特征点的距离残差， A、 B分别为在所述当前边缘特征点对应 边缘线的方向上， 且过相 邻点集的中心均值点的直线 上任取的两个附近的点， P为所述当前 边缘特征点， 所述 边缘线的方向是矩阵Ae最大特征值所对应的特 征向量； 根据公式(8)计算语义 不一致参数， 其中， 为第i个边缘特征点的语义不一致参数， 为所述相邻点集中的第k个点， 分别表示第i个当前边缘特征点， 表示判断第k个点和第i个当前边缘特征点的语 义标签是否一 致； 根据公式(9)计算当前距离残差的总权 重， 权　利　要　求　书 2/4 页 3 CN 115035404 A 3