(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 202210844113.4 (22)申请日 2022.07.18 (71)申请人 重庆长安汽车股份有限公司 地址 400023 重庆市江北区建新 东路260号 (72)发明人 王尔辛　 (74)专利代理 机构 上海光华专利事务所(普通 合伙) 31219 专利代理师 梁风霞 (51)Int.Cl. G06V 20/56(2022.01) G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G06N 3/08(2006.01) (54)发明名称 可行驶区域预测方法、 模型、 装置及车辆 (57)摘要 本发明提供一种可行驶区域预测方法、 模 型、 装置及车辆， 该模型包括网格化模块、 点特征 提取模块、 散点化模块、 特征提取主干模块， 以及 语义分割预测模块， 通过基于目标点云进行特征 提取和语义 分割， 一方面不再依赖于图像的分割 精度， 受距离影响较小， 另一方面， 模型采用模块 化的方案， 能够实现模块化的拼接， 泛化性佳， 能 够解决多场景的问题。 权利要求书3页 说明书15页 附图6页 CN 115147798 A 2022.10.04 CN 115147798 A 1.一种可 行驶区域预测模型， 其特 征在于， 所述可 行驶区域预测模型包括： 网格化模块， 用于对目标点云进行网格划分， 得到三维栅格数据和多个网格， 所述三维 格栅数据包括用于表征各所述目标点在各所述网格中的索引信息， 所述目标点云为车辆待 行驶区域中多个目标点的激光扫描信息集 合； 点特征提取模块， 用于对各所述网格中的目标点进行点特征提取， 得到各所述目标点 的点特征以生成各 所述网格的网格张量； 散点化模块， 用于将各所述网格张量根据所述索引信息排布于网格特征图， 生成鸟瞰 图特征； 特征提取主干模块， 用于对所述鸟瞰图特征进行网格特征提取， 得到多尺度特征， 所述 多尺度特 征包括多尺度鸟瞰图特 征和多尺度体素 特征中至少之一； 语义分割预测模块， 用于对所述多尺度特征进行特征融合， 并基于所述索引信息确定 特征融合后的所述多尺度特征与各所述 目标点的索引信息， 得到各目标点的预测标签， 基 于各所述目标点的预测标签确定所述目标点云的预测结果， 所述预测结果包括所述车辆待 行驶区域中的可 行驶区域和不可 行驶区域。 2.如权利要求1所述的可行驶 区域预测模型， 其特征在于， 所述目标点的激光扫描信 息 包括第一 坐标信息、 第二 坐标信息、 第三 坐标信息和反射 率， 所述网格化模块包括： 划分模块， 用于根据 预设网格尺寸和各所述目标点的激光扫描信 息确定各所述目标点 在网格图上 的索引信息， 基于所述索引信息将各所述 目标点划分为多个网格， 所述网格包 括支柱或体素； 特征维度确定模块， 用于确定各所述网格的网格中心点， 并确定各所述目标点相对所 在网格的网格中心点的偏移信息， 基于所述偏移信息、 激光扫描信息和网格中心点的网格 中心信息确定所述目标点的特 征维度， 以生成所述目标点的升维信息； 栅格数据记录模块， 用于记录各 所述目标点在各 所述网格的网格图中的索引信息 。 3.如权利要求2所述的可 行驶区域预测模型， 其特 征在于， 所述划分模块还用于： 获取各所述索引 信息对应的所述目标点的初始数量， 若所述初始数量大于预设数量阈 值， 对所述 目标点进行采样丢弃， 直到剩余的所述 目标点的初始数量等于所述预设数量阈 值。 4.如权利要求2所述的可 行驶区域预测模型， 其特 征在于， 所述 点特征提取模块包括： 点特征提取子模块， 用于通过多层感知机网络对各所述目标点的升维信 息进行点特征 提取， 得到点特 征子张量； 点特征池化模块， 用于对各所述目标点的点特征子张量进行最大值池化处理， 得到各 所述网格的网格张量。 5.如权利要求2所述的可 行驶区域预测模型， 其特 征在于， 若所述网格张量包括支柱张量， 所述特征提取主干模块包括支柱特征图生成模块和二 维卷积层， 所述支柱特征图生成模块用于根据基于支柱张量生成的所述鸟瞰图特征确定支 柱特征图， 所述 二维卷积层用于对所述柱特 征图进行 卷积以提取二维多尺度特 征信息； 若所述网格张量包括体素张量， 所述特征提取主干模块包括体素特征图生成模块和三 维卷积层， 所述体素特征图生成模块用于根据基于体素张量生成的所述鸟瞰图特征确定体 素特征图， 所述 三维卷积层用于对所述体素 特征图进行 卷积以提取三维多尺度特 征信息。权　利　要　求　书 1/3 页 2 CN 115147798 A 26.如权利要求2所述的可行驶 区域预测模型， 其特征在于， 所述特征提取主干模块包括 特征提取网络和多尺度网络； 所述特征提取网络的生成方式包括， 由基础卷积模块、 批量归一化模块、 激活模块构 成 基本单元， 基于多个所述基本单元构成基本模块， 基于多个所述基本模块构成所述特征提 取网络， 所述基本模块的第一层设置有预设层偏移量， 以使所述鸟瞰图特征基于所述预设 层偏移量进行 下采样； 所述多尺度网络用于对各所述基本模块输出的下采样张量进行上采样和卷积处理， 以 使所述下采样张量恢复为预设尺寸的多尺度特 征。 7.如权利要求6所述的可行驶区域预测模型， 其特征在于， 所述语义分割预测模块包 括： 语义分割子模块， 用于若所述多尺度特征的特征尺度与预设原始尺度相同， 基于所述 多尺度特征进 行特征融合生成体素语义特征张量， 若 所述多尺度特征的特征尺度与预设原 始尺度不同， 对所述多尺度特征进行上采样以使 所述多尺度特征的特征尺度与预设原始尺 度相同， 基于上采样后的所述多尺度特征进行特征融合生成体素语义特征张量， 所述体素 语义特征张量的特 征维度包括输出 特征和高度； 预测子模块， 用于将所述体素语义特征张量在特征维度 上基于预设函数确定最大响应 值， 以及所述 最大响应值的索引信息， 确定所述目标点的预测标签； 预测结果确定模块， 用于根据各所述目标点的预测标签确定所述目标点云的预测结 果。 8.如权利要求1 ‑7任一项所述的可行驶区域预测模型， 其特征在于， 所述可行驶区域预 测模型还 包括训练模块， 所述训练模块包括以下至少之一： 训练样本集， 包括样本点云， 所述样本点云中的各样本点标注有样本标签； 参数优化模块， 用于基于预设损 失函数、 样本标签和所述可行驶区域预测模型对所述 样本点云进行预测生成的预测标签确定误差， 通过所述误差反向传播以对 所述可行驶区域 预测模型 的参数进行更新， 直到所述预设损失函数收敛， 完成对所述可行驶区域预测模型 的训练。 9.如权利要求8所述的可 行驶区域预测模型， 其特 征在于， 所述训练模块还 包括： 样本标签重映射模块， 用于对所述样本点云进行标签重映射处理， 生成各所述样本点 的重映射标签； 样本点云体素化模块， 用于对样本点云进行体素化处 理， 得到多个样本体素； 样本体素标签确定模块， 用于将所述样本体素中对应样本点数量最多的重映射标签确 定样本体素 标签； 空白标签赋值模块， 用于对无样本点的所述样本体素进行 预设标签赋值。 10.一种可 行驶区域预测方法， 其特 征在于， 所述方法包括： 获取目标点云， 所述目标点云为车辆待行驶区域中多个目标点的激光扫描信息集 合； 将所述目标点云输入如权利要求1 ‑9任一项所述的可行驶区域预测模型， 以预测所述 车辆待行驶区域的可 行驶区域和不可 行驶区域。 11.一种可行驶 区域预测装置， 其特征在于， 所述可行驶 区域预测装置包括如权利要求 1‑9任一项所述的可 行驶区域预测模型。权　利　要　求　书 2/3 页 3 CN 115147798 A 3