用于对象检测的方法、计算机系统和计算机可读介质与流程

1.本公开涉及用于对象检测的由计算机实现的方法、计算机系统和计算机可读介质。

背景技术：

2.多年来，雷达传感器已广泛用于汽车行业，以支持先进的驾驶辅助系统。在摄像头处理、激光雷达信号处理或自然语言处理等广泛领域，深度神经网络已成为最先进的算法。
3.在2d快速傅里叶变换(fft)之后，雷达数据通常是具有距离、多普勒和(虚拟)接收天线维度的3d立方体。在这个立方体中，通常通过应用恒定误报率(cfar)来识别目标或关注区域，这会产生在距离和多普勒上稀疏的3d立方体。距离多普勒小区(cell)的天线向量称为波束向量(beamvector)。在传统的雷达信号处理中，使用这些波束向量的子集来执行角度查，得到具有多普勒值或雷达截面等特征的稀疏二维或三维点云，雷达截面是相对于目标被雷达可见的面积而言该目标反射雷达信号的强度有多大的度量。
4.与其他传感器相比，雷达通常具有较弱的角分辨率。但相反，雷达技术可以非常准确地测量多普勒，即径向速度分量。因此，3d立方体通常有相当多的多普勒窗(bin)来来分离对象，该分离不是基于对象的角度而是基于对象的径向速度。
5.因此，需要提供一种用于对象检测的改进的由计算机实现的方法、计算机系统和计算机可读介质。

技术实现要素：

6.本公开提供了由计算机实现的方法、计算机系统和非暂时性计算机可读介质。实施方式在说明书和附图中给出。
7.在一个方面，本公开针对一种用于对象检测的由计算机实现的方法。其中，该方法包括：获得3d数据，所述3d数据包括距离数据、角度数据和多普勒数据。方法还包括：对3d数据执行深度学习算法以获得处理后的3d数据。方法还包括：从处理后的3d数据获得处理后的2d数据，所述处理后的2d数据包括距离数据和角度数据。
8.在第一步中，获得3d数据。这可以通过访问适合获取或检测此类3d数据的合适雷达装置来实现。3d数据包括三个维度，第一数据涉及距离数据或距离维度，第二数据涉及角度数据或角度维度，并且第三数据涉及多普勒数据或多普勒维度。角度维度也可以称为方位维度，并且多普勒维度也可以被称为速度维度。该3d数据包含雷达装置附近的信息，尤其是使用雷达装置的载具车道中的信息。
9.第一维度也可以缩写为r，第二维度可以缩写为a，第三维度可以缩写为d，因此可以根据三个维度将3d数据命名为rad数据。该3d数据也可以被称为为3d立方体或rad立方体。
10.在进一步步骤中，通过深度学习算法来处理3d数据，从而从3d数据获得处理后的2d数据。处理后的2d数据包括距离数据或维度和角度数据或维度，或ra数据。具体地，处理
后的2d数据包括ra数据网格。
11.然后，该ra数据网格可以被使用以针对对象检测算法、(笛卡尔)语义分割器来进行处理，或作为载具中的独立输出。
12.根据实施方式，该方法还包括将3d数据分解成三组2d数据。其中，第一组2d数据包括距离数据和角度数据，第二组2d数据包括距离数据和多普勒数据，并且第三组2d数据包括角度数据和多普勒数据。其中，对3d数据执行深度学习算法包括分别处理第一组2d数据、第二组2d数据和第三组2d数据。
13.3d数据的分解通常在通过深度学习算法处理3d数据的步骤之前执行。执行分解以获得三个不同的2d数据集。第一组2d数据包括距离数据和角度数据，即ra数据。第二组2d数据包括距离数据和多普勒数据，即rd数据。第三组2d数据包括角度数据和多普勒数据，即ad数据。
14.根据本实施方式的3d数据的处理包括处理第一组2d数据、第二组2d数据和第三组2d数据，具体地通过深度学习算法分别处理第一组、第二组和第三组。
15.根据实施方式，处理第一组2d数据的步骤包括：执行压缩算法。
16.根据实施方式，处理第一组2d数据和/或第二组2d数据和/或第三组2d数据的步骤包括：执行卷积算法。
17.根据实施方式，处理第一组2d数据的步骤包括执行暂退(dropout)算法。
18.根据实施方式，对3d数据执行深度学习算法的步骤包括：对第二组2d数据和第三组2d数据执行位置编码算法。
19.根据实施方式，对3d数据执行深度学习算法的步骤还包括：将第一组2d数据、第二组2d数据和第三组2d数据在第一组2d数据中对齐。
20.根据实施方式，对3d数据执行深度学习算法的步骤还包括：通过应用从所述第一组2d数据注意到所述第二组2d数据上和所述第三组2d数据上的交叉注意力算法来在所述第一组2d数据中对齐所述第一组2d数据、所述第二组2d数据和所述第三组2d数据。
21.根据实施方式，对3d数据执行深度学习算法的步骤还包括：执行卷积算法。
22.根据实施方式，获得3d数据的步骤包括：获得距离数据，获得天线数据并且获得多普勒数据。其中，该方法还包括处理傅里叶变换算法和密集层算法中的一种或两种；并且执行abs算法。
23.根据实施方式，对3d数据执行深度学习算法的步骤还包括：对距离数据、角度数据和多普勒数据执行卷积算法。具体地，卷积算法对距离数据、角度数据和多普勒数据的处理可以一起执行。
24.根据实施方式，对3d数据执行深度学习算法的步骤还包括：对角度数据和多普勒数据执行卷积算法。特别地，在本实施方式中，卷积算法的执行可以专门针对角度数据和多普勒数据进行。
25.根据实施方式，对3d数据执行深度学习算法的步骤还包括：对距离数据和角度数据处理卷积算法。特别地，在本实施方式中，卷积算法的处理可以专门针对距离数据和角度数据进行处理。
26.根据实施方式，对3d数据执行深度学习算法的步骤还包括：执行上采样算法。
27.在另一方面，本公开针对一种计算机系统，所述计算机系统被配置为执行本文描
述的由计算机实现的方法的多个或所有步骤。
28.该计算机系统可以包括处理单元、至少一个存储器单元和至少一个非暂时性数据存储器。非暂时性数据存储和/或存储器单元可以包括用于指示计算机执行本文描述的由计算机实现的方法的多个或所有步骤或方面的计算机程序。
29.在另一方面，本公开针对一种非暂时性计算机可读介质，其包括用于执行本文描述的由计算机实现的方法的多个或所有步骤或方面的指令。计算机可读介质可以被构造成：光介质，例如压缩盘(cd)或数字多功能盘(dvd)；磁介质，例如硬盘驱动器(hdd)；固态硬盘(ssd)；只读存储器(rom)，例如闪存；等等。此外，计算机可读介质可以被配置为可通过诸如互联网连接的数据连接访问的数据存储。例如，计算机可读介质可以是在线数据存储库或云存储。
30.本公开还针对一种用于指示计算机执行本文描述的由计算机实现的方法的多个或所有步骤或方面的计算机程序。
附图说明
31.本公开的示例性实施方式和功能在本文中结合以下附图进行描述，示意性地显示在：
32.图1是根据本公开的计算机系统的实施方式的图；
33.图2是由图1的计算机系统执行的根据本公开的方法的实施方式的流程图；
34.图3是根据图2的方法的实施方式的较详细的流程图；
35.图4是根据图3的方法的一部分；
36.图5是根据图3的方法的另一部分；
37.图6是根据图2的方法的另一实施方式的较详细的流程图；并且
38.图7是根据图6的方法的另一实施方式的另一较详细的流程图。
具体实施方式
39.图1描绘了根据本公开的计算机系统10的实施方式的图。其中，计算机系统10包括雷达装置12和处理装置14，雷达装置12也可称为雷达传感器，处理装置14也可称为处理器。计算机系统10尤其可以嵌入到载具(未示出)中。
40.计算机系统10特别地用于执行用于对象检测的由计算机实施的方法。其中，雷达装置12用于获得3d数据，所述3d数据包括距离数据、角度数据和多普勒数据。处理装置14用于对3d数据执行深度学习算法以获得处理后的3d，并从处理后的3d数据获得处理后的2d数据，所述处理后的2d数据包括距离数据和角度数据。
41.处理装置12还可以用于将3d数据分解成三组2d数据，第一组2d数据包括距离数据和角度数据，第二组2d数据包括距离数据和多普勒数据，并且第三组2d数据包括角度数据和多普勒数据。其中，对3d数据执行深度学习算法包括：分别处理第一组2d数据、第二组2d数据和第三组2d数据。
42.第一组2d数据的处理可以包括：执行压缩算法。
43.第一组2d数据和/或第二组2d数据和/或第三组2d数据的处理还可以包括：执行卷积算法。
44.第一组2d数据的处理还可以包括：执行dropout算法。
45.对3d数据执行深度学习算法还可以包括：对第二组2d数据和第三组2d数据执行位置编码算法。
46.对3d数据执行深度学习算法还可以包括：将第一组2d数据、第二组2d数据和第三组2d数据在第一组2d数据中对齐。
47.对3d数据执行深度学习算法还可以包括：通过应用从所述第一组2d数据注意到所述第二组2d数据上和所述第三组2d数据上的交叉注意力算法来在所述第一组2d数据中对齐所述第一组2d数据、所述第二组2d数据和所述第三组2d数据。
48.对3d数据执行深度学习算法还可以包括：执行卷积算法。
49.获得3d数据的步骤还可以包括获得距离数据、获得天线数据和获得多普勒数据。其中，处理装置14还可以用于执行傅里叶变换算法、密集层算法和abs算法中的一种或多种。
50.对3d数据执行深度学习算法还可以包括：对角度数据、角度数据和多普勒数据执行卷积算法。
51.对3d数据执行深度学习算法还可以包括：对角度数据和多普勒数据执行卷积算法。
52.对3d数据执行深度学习算法还可以还包括：对距离数据和角度数据执行卷积算法。
53.对3d数据执行深度学习算法还可以包括：执行上采样算法。
54.图2描绘了根据本公开的方法100的实施方式的流程图。方法100包括在第一步骤110中获得3d数据，所述3d数据包括距离数据、角度数据和多普勒数据。方法100包括在第二步骤120中对3d数据执行深度学习算法以获得处理后的3d数据。方法100包括在进一步步骤130中从处理后的3d数据获得处理后的2d数据，处理的2d数据包括距离数据和角度数据。方法100的各方面将根据图3至图5较详细地描述。
55.图3描绘了根据本公开的方法1100的实施方式的较详细的流程图。方法1100包括三个不同的方法或处理路径1110、1120和1130。在没有在图3的流程图中示出的第一步骤中，获得3d数据。所述3d数据包括距离数据r、角度数据a和多普勒数据d，因此表示rad立方体。
56.在也没有在图3的流程图中示出的第二步骤中，将3d数据分解为三组2d数据，第一组2d数据包括距离数据和角度数据，第二组2d数据包括距离数据和多普勒数据，并且第三组2d数据包括角度数据和多普勒数据。这三组2d数据由三个处理路径1110、1120和1130表示。具体而言，对三个路径的输入由雷达传感器的量s、距离数据窗的量r、角度数据窗的量a来表示，即
57.然后通过深度学习算法沿三个路径1110、1120和1130分别处理这三组2d数据，以从处理后的3d数据获得处理后的2d数据，处理后的2d数据包括距离数据和角度数据。
58.其中，第一路径1110用于处理第一组2d数据即ra数据，第二路径1120用于处理第二组2d数据即rd数据，第三路径1130数据直接用于处理第三组2d数据即ad数据。
59.在图3的方法100中未示出的另一步骤中，将该输入转置，使得多普勒维度被定义为ra路径1110中的特征维度，角度维度被定义为rd路径1120中的特征维度，并且距
离维度被定义为ad路径1130中的特征维度。因此，每条路径的第一层用于将来自初始rad立方体的能量分别映射到ra、rd和ad中的潜在特征表示上。
60.沿着第一路径1110行进，在第一步骤1111中最初用压缩算法特别是ra多普勒压缩算法处理ra数据。
61.在沿着第一路径1110的进一步步骤1112、1113和1114中，依次用三个卷积进行处理ra数据。
62.类似地，在沿着第二路径1120的步骤1121、1122和1123中，依次用三个卷积处理rd数据。然而，与第一条路径相比，步骤1122和1123中的卷积算法以例如4的附加步幅执行，以压缩d，同时维持r中的空间分辨率。
63.类似地，在沿着第三路径1130的步骤1131、1132和1133中，依次用三个卷积处理ad数据。与第二路径1120对齐，步骤1132和1133中的卷积算法以例如4的附加步幅执行，以压缩d，同时维持a中的空间分辨率。
64.沿路径1110、1120和1130应用卷积以并行地提取三个路径1110、1120和1130中的各个路径中的空间局部相关性。所有的卷积算法都可以在有或没有镜像填充的情况下执行，镜像填充反映了各平面在其边缘处的特征。
65.在第一路径1110中，作为进一步步骤1115，执行dropout算法。具体地，通过在训练期间以概率p将ra中的所有值随机设置为0，迫使网络依赖来自rd和ad路径的返回，这增加了算法的整体鲁棒性。
66.在与第二路径1120和第三路径1130并行的进一步步骤1141中，执行位置编码算法并且单独地附加到两个路径。这是通过沿所有剩余的多普勒窗进行0和1之间的线性插值并且在针对ra和ad的特征维度中连接该值来执行的。
67.在进一步步骤1151中，三个路径1110、1120和1130在距离-角度平面中，即在ra中对齐。这是通过在rd和ad中分别沿着具有相同空间维度距离和角度的多普勒条目计算特征均值来进行的，得到形状距离为x(特征数)的张量r
rd
和形状角度为x(特征数)的张量a
ad
。具体地，为了在距离-角度平面(即ra)中对齐或连接所有三个路径1110、1120和1130，r
rd
和a
ad
分别沿着缺少的维度角度和距离重复，产生ra
rd
和ra
ad
。
68.在最后的步骤1152中，执行进一步卷积算法以提取对齐的张量ra、ra
rd
和ra
ad
内的模式。
69.可选地，并且具体地在步骤1151中，通过从ra注意ad和rd中的相同空间维度角度和距离的各个多普勒窗，能够从rd映射到ra并且从ad映射到ra，从而可以沿着多普勒维度对条目进行动态加权。
70.为此，步骤1114的输出特征数将增加len_query，步骤1123和1133的输出特征数都将增加len_key。输出特征的初始量在这里定义为len_values。因此，对该另选方案的输入组成如下：
[0071] 第一路径第二路径第三路径vlen_values
ra
len_values
rd
len_values
ad
qlen_query
ra
ꢀꢀ
k len_key
rd
len_key
ad
[0072]
这在图4和图5中较详细地显示，其例示了针对rd平面和ad平面两者沿相同空间维
度在个多普勒窗中进行注意和压缩值的过程：首先，在v
rd
和v
ad
两者中沿多普勒维度添加位置编码。因此，沿多普勒维度的阵列在0和1之间进行线性插值，并连接到v
rd
和v
ad
中的特征维度。
[0073]
然后，rd的各个v、k对沿长度l的角度维度重复，得到k
rd*
、v
rd*
，并且ad的各个v、k对沿长度j的距离维度重复，得到k
ad*
、v
ad*
。在下一步，针对各个位置i,j，计算ra、q
rai,j
和k
ad*i,j
以及q
rai,j
和k
rd*i,j
中的查询之间的点积(图4和图5中的a)。对得到的条目进行归一化，可能由一些指数函数来归一化：
[0074][0075]
其中，a表示一些通用值，例如e或2，以避免负值，得到成立以下条件的att
rd
和att
ad
：
[0076]
并且
[0077]
其中，m定义了第二路径和第三路径中多普勒维度的长度。最后，将v
rd*
和v
ad*
中的特征逐个元素分别乘以att
rd
和att
ad
(c)，并沿多普勒维度(d)针对各个位置i,j求和：
[0078]
以及
[0079]
然后将得到的张量ra、ra
ad
和rd
rd
在特征维度上连接，并通过对齐卷积进行处理。
[0080]
特别地，通过如图3所示的实施方式，应用学习的2d卷积，以将rad立方体中的能量映射到ra、rd、ad平面中的各个平面中的潜在表示上。
[0081]
与使用3d卷积处理三个平面的具有高处理时间成本的先前已知方案相比，本实施方式通过仅使用2d卷积而高效地处理ra、rd和ad平面，因此较适合于嵌入式系统上的应用。
[0082]
此外，通过在训练期间以概率p将ra中的所有值随机设置为0，迫使网络依赖来自rd和ad路径的返回。在推理期间不应用该dropout。
[0083]
此外，通过从ra计算的查询来注意rd和ad，如结合图4和图5所描述的，可以动态压缩rd和ad中的多普勒维度。虽然针对rd和ad中给定空间位置范围和角度沿多普勒维度的条目最初通过多普勒维度中各个小区的相等权重(通过计算均值)来进行压缩，但可以通过在ra计算键并且在rd和ad中计算值来进行该加权。然后根据rd和ad中的键与ra中的查询的匹配程度(通过计算查询和键之间的点积，然后针对距离-角度内的给定条目沿多普勒维度进行归一化来定义)，将rd和ad中的特征映射到ra。
[0084]
此外，通过在注意和压缩之前沿多普勒维度附加位置编码，可以保持ra
ad
和rd
rd
中结果图中的径向速度信息。因此，该算法能够从ra动态地注意到rd和ad。
[0085]
图6描绘了根据本公开的方法1200的另一实施方式的较详细的流程图。
[0086]
其中，在第一步骤1201中，获得3d数据。其中，获得3d数据包括获得距离数据、天线数据和获得多普勒数据。因此，3d数据包括距离数据r、天线数据a和多普勒数据d，因此表示rad立方体。
[0087]
在下一步骤1202中，使用傅里叶变换算法和密集层算法中的任一种来处理rad立方体，傅里叶变换算法特别是离散傅里叶变换，进一步特别是小的离散傅里叶变换。在傅立叶变换的情况下，将rad立方体转换为具有复频率(而不是天线)的rd立方体。在密集层算法的情况下，rad立方体会产生其抽象版本。这些算法的执行不增加输出窗的数量，或者只是
略微增加输出窗的数量。
[0088]
然后使用abs或绝对数算法处理数据。通过执行abs算法，获得了角度，因此容量减少了2倍。这导致在步骤1203中获得rad立方体，其中3d数据包括距离数据r、角度数据a和多普勒数据d。
[0089]
在进一步步骤1204中，用卷积算法处理rad立方体。特别地，对小rad立方体应用了多个卷积，随着特征维度的增加，其开始以相同的幅度减小多普勒维度。例如，这种减少可以通过跨步卷积或最大池化来实现。由于角度维度小，因此当前rad立方体的大小与具有小特征维度的图像的大小相当。这导致3d卷积的易控制的复杂性。
[0090]
在进一步步骤1205中，执行进一步的卷积算法。在该特别情况下，执行ad卷积，以将信息从多普勒域转换到角度域。为此，在角度和多普勒域上应用2d卷积以识别相关性。在每次卷积之后，通过执行上采样算法来增加角度分辨率。该卷积以与增加角度相同的方式减少了多普勒维度。不是连同上采样一起执行卷积，也可以在多普勒维度上使用具有步幅的转置卷积。
[0091]
在任何情况下，该步骤1205使用多普勒信息不断地细化角度并且同时进一步压缩多普勒。在执行了步骤1205之后，多普勒维度和特征维度被重新成形为单一维度。
[0092]
在进一步步骤1206中，执行进一步的卷积算法。在该特别情况下，执行ra卷积，这会导致距离-角度域的细化。由于这两个是空间域，因此执行这些卷积以同时对两个空间域进行空间细化。由于多普勒域先前已合并到特征维度中，因此这些卷积是二维极坐标空间中的卷积。
[0093]
可选地，并且依赖于rad立方体的原始形状和期望的最终角度分辨率，可以在角度维度上执行进一步的上采样算法和/或转置卷积。结果是处理后的2d数据，特别是具有多个特征的ra网格，如在步骤1207中输出。
[0094]
通过本特定实施方式，在处理中既没有产生瓶颈，即比输入或输出具有较少实际条目的层，也没有比输入和输出具有较多条目数的层。因此，本实施方式提供了一种不丢失信息同时不需要增加容量的解决方案。
[0095]
图7描绘了根据本公开的方法的另一实施方式的另一较详细的流程图。具体地，图7所示的方法基于图6所示的方法，其中，除非另有说明，图7中的方法步骤1301至1307与结合图6描述的方法步骤1201至1207相同。
[0096]
特别地，根据图7所示的实施方式，除了根据图6的实施方式之外，还考虑了载具的自我运动。
[0097]
其中，在步骤1308中获得载具的自我运动。在进一步步骤1309中，基于自我运动在各个角度窗计算静止对象的相对速度。然后可以将该信息馈送到步骤1306，在该步骤中执行ra卷积。
[0098]
此外，可选地，可以使用来自步骤1303的rad立方体来提取与自我运动相关的特征，例如提取表示针对静止目标的零绝对速度的窗。这可以进一步帮助识别静止目标并且提供较准确的相对速度传播。
[0099]
图6和图7中描绘的实施方式实现了无信息丢失(即维持了传感器提供的尽可能多的信息)并且没有资源浪费(即避免较高的资源消耗)，应用多普勒来细化角度，并且使用了可以在芯片上加速的操作，从而提高了可嵌入性。
[0100]
特别地，并且与如图6和图7所描绘的本实施方式相反，其他解决方案往往从角开始，这首先会增加角度分辨率并产生rad立方体，但它比目前使用的rad立方体大得多，因为大多数雷达传感器通常只有几个(虚拟)天线。这些大的rad立方体之后需要具有浅的(即只有很少的层，大部分只有一层)、有侵略性并且因此潜在地有损的压缩。但是角度寻不能创造额外的信息。所有信息都已经存在于rad立方体中。
[0101]
此外，如图6和图7所示的本解决方案不会以这种方式增加立方体。相反，构思是将各个层的容量(神经元数量)保持在某个范围内，并将其平滑地转换为期望的输出容量，即最终距离-角度网格的容量。在这个较小的立方体上进行操作消除了激进压缩的需要，并提供了同时在立方体的两个或三个维度上进行操作的自由度。因此，可以定义从具有高多普勒和低角度分辨率的立方体到具有高角度分辨率和仅有几个特征的2d距离-角度网格的平滑变换。
[0102]
特别地，由于rad立方体小，因此可以沿多个维度执行卷积，甚至在所有三个维度连同附加的特征维度上一起执行卷积，因此网络有可能将信息从一个维度转换到另一维度。需要注意的是，这种方案不依赖于cfar(恒定误报率)阈值立方体。其可以在完全填充的立方体上操作，其中没有任何数据被任何类型的阈值去除。因为其容量变化是平滑的，没有激进的压缩，也没有瓶颈，所以其架构可以保留传感器提供的所有信息。
[0103]
此外，网络具有同时在多个维度上操作的模块，特别是其可以同时在所有三个维度上操作(rad卷积)，并且具有专用于角度和多普勒维度之间的信息传递的处理(ad卷积)。这使网络能够使用多普勒来细化角度。
[0104]
最后，如图6和图7所示的本实施方式包含可以由针对矩阵乘法和卷积(密集层、2d卷积、上采样)进行了优化的芯片加速的操作。如果多普勒中的步幅与多普勒中的内核大小相同，则甚至用于rad卷积和ad卷积的3d卷积也可以被重写为等效的2d组卷积。这使得架构可以在仅支持2d卷积而不支持3d卷积的硬件上操作。
[0105]
附图标记列表
[0106]
10 计算机系统
[0107]
12 雷达装置
[0108]
14 处理装置
[0109]
100 方法
[0110]
110 方法步骤
[0111]
120 方法步骤
[0112]
130 方法步骤
[0113]
1100 方法
[0114]
1110 第一方法路径
[0115]
1111 方法步骤
[0116]
1112 方法步骤
[0117]
1113 方法步骤
[0118]
1114 方法步骤
[0119]
1115 方法步骤
[0120]
1120 第二方法路径
[0121]
1121 方法步骤
[0122]
1122 方法步骤
[0123]
1123 方法步骤
[0124]
1130 第三方法路径
[0125]
1131 方法步骤
[0126]
1132 方法步骤
[0127]
1133 方法步骤
[0128]
1141 方法步骤
[0129]
1151 方法步骤
[0130]
1152 方法步骤
[0131]
1200 方法
[0132]
1201 方法步骤
[0133]
1202 方法步骤
[0134]
1203 方法步骤
[0135]
1204 方法步骤
[0136]
1205 方法步骤
[0137]
1206 方法步骤
[0138]
1207 方法步骤
[0139]
1300 方法
[0140]
1301 方法步骤
[0141]
1302 方法步骤
[0142]
1303 方法步骤
[0143]
1304 方法步骤
[0144]
1305 方法步骤
[0145]
1306 方法步骤
[0146]
1307 方法步骤
[0147]
1308 方法步骤
[0148]
1309 方法步骤。

技术特征：

1.一种用于对象检测的由计算机实现的方法，所述方法包括以下步骤：由雷达装置获得3d数据，所述3d数据包括距离数据、角度数据和多普勒数据；由处理装置对3d数据执行深度学习算法以获得处理后的3d数据；并且由所述处理装置从处理后的3d数据获得处理后的2d数据，所述处理后的2d数据包括距离数据和角度数据。2.根据权利要求1所述的由计算机实现的方法，该方法还包括以下步骤：由所述处理装置将所述3d数据分解成三组2d数据，第一组2d数据包括距离数据和角度数据，第二组2d数据包括距离数据和多普勒数据，并且第三组2d数据包括角度数据和多普勒数据；并且其中，对3d数据执行深度学习算法的步骤包括分别处理第一组2d数据、第二组2d数据和第三组2d数据。3.根据权利要求2所述的由计算机实现的方法，其中，对所述第一组2d数据的处理包括执行压缩算法。4.根据权利要求2或3所述的由计算机实现的方法，其中，对所述第一组2d数据和/或所述第二组2d数据和/或所述第三组2d数据的处理包括执行卷积算法。5.根据权利要求2至4中的任一项所述的由计算机实现的方法，其中，对所述第一组2d数据的处理包括执行暂退算法。6.根据权利要求2至5中的任一项所述的由计算机实现的方法，其中，对所述3d数据执行深度学习算法的步骤包括：对所述第二组2d数据和所述第三组2d数据执行位置编码算法。7.根据权利要求2至6中的任一项所述的由计算机实现的方法，其中，对所述3d数据执行深度学习算法的步骤还包括：在所述第一组2d数据中对齐所述第一组2d数据、所述第二组2d数据和所述第三组2d数据。8.根据权利要求2至7中的任一项所述的由计算机实现的方法，其中，对所述3d数据执行深度学习算法的步骤还包括：通过应用从所述第一组2d数据注意到所述第二组2d数据上和所述第三组2d数据上的交叉注意力算法来在所述第一组2d数据中对齐所述第一组2d数据、所述第二组2d数据和所述第三组2d数据。9.根据权利要求1至8中的任一项所述的由计算机实现的方法，其中，对所述3d数据执行深度学习算法的步骤还包括：执行卷积算法。10.根据权利要求1至9中的任一项所述的由计算机实现的方法，其中，获得3d数据的步骤包括：获得距离数据；获得天线数据；并且获得多普勒数据；并且其中，所述方法还包括：由所述处理装置执行傅里叶变换算法和密集层算法中的一者或两者；并且由所述处理装置执行abs算法。11.根据权利要求1至10中的任一项所述的由计算机实现的方法，
其中，对所述3d数据执行深度学习算法的步骤还包括：对所述角度数据和所述多普勒数据执行卷积算法。12.根据权利要求1至11中的任一项所述的由计算机实现的方法，其中，对所述3d数据执行深度学习算法的步骤还包括：对所述距离数据和所述角度数据执行卷积算法。13.根据权利要求1至12中的任一项所述的由计算机实现的方法，其中，对所述3d数据执行深度学习算法的步骤还包括：执行上采样算法。14.一种计算机系统，所述计算机系统被配置为执行根据权利要求1至13中的至少一项所述的由计算机实现的方法。15.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括用于执行根据权利要求1至13中的至少一项所述的由计算机实现的方法的指令。

技术总结

提供了用于对象检测的方法、计算机系统和计算机可读介质。用于对象检测的由计算机实现的方法，包括：获得3D数据，所述3D数据包括距离数据、角度数据和多普勒数据；对3D数据执行深度学习算法以获得处理后的3D数据，并且从处理后的3D数据获得处理后的2D数据，所述处理后的2D数据包括距离数据和角度数据。2D数据包括距离数据和角度数据。2D数据包括距离数据和角度数据。

技术研发人员：

S

受保护的技术使用者：

APTIV技术有限公司

技术研发日：

2022.09.02

技术公布日：

2023/3/24