买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉上海无线电设备研究所申请的专利基于车载4D雷达点云的深度学习网络获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115761432B 。

龙图腾网通过国家知识产权局官网在2025-10-24发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211176530.2，技术领域涉及：G06V10/82；该发明授权基于车载4D雷达点云的深度学习网络是由李小柳;魏维伟;付朝伟;席光荣;李由之;尹洁珺;柯文雄;郑成鑫;张中泽设计研发完成，并于2022-09-26向国家知识产权局提交的专利申请。

本基于车载4D雷达点云的深度学习网络在说明书摘要公布了：本发明提出了一种基于车载4D雷达点云的深度学习网络，包含以下步骤：S1、采集场景数据以形成4D雷达点云数据集，并划分为训练集、验证集及测试集；S2、将训练集中场景点云数据划分为多个空间区域，并通过密度感知PointRCNN网络学习不同空间区域内的点云分布特征；S3、逐点学习点的全局语义特征，搜索遍历空间区域后从输入点云中分割出前景点，并生成3D提议框，以估计车辆目标位置与尺寸；S4、通过局部坐标转换学习局部特征，优化3D提议框的位置和方向，从而生成检测车辆目标的3D边界框；S5、设置网络损失函数，并结合验证集训练密度感知PointRCNN网络模型直至其收敛。本发明可以获得更稳健的网络模型和更强的目标检测能力。

本发明授权基于车载4D雷达点云的深度学习网络在权利要求书中公布了：1.一种基于车载4D雷达点云的深度学习网络，其特征在于，包含以下步骤： S1、采集场景数据以形成4D雷达点云数据集，并划分为训练集、验证集及测试集； S2、基于雷达点云分布特性，将训练集中场景点云数据划分为多个空间区域，并通过密度感知PointRCNN网络学习不同空间区域内的点云分布特征； S3、逐点学习点云全局语义特征，搜索遍历空间区域后从输入点云中分割出前景点，并根据前景点分布特点生成与前景点对应的3D提议框，以估计车辆目标位置与尺寸； S4、通过局部坐标转换学习前景点云局部特征，以此优化3D提议框的位置和方向，从而生成检测车辆目标的3D边界框； S5、设置网络损失函数，并结合验证集训练密度感知PointRCNN网络模型，直至其收敛； 所述步骤S3中根据3D提议框估计车辆目标位置与尺寸的方法，包含以下步骤： S3.1、对前景点的X、Z方向限制搜索距离，并按一定长度将搜索距离划分为均匀的区域段； S3.2、使用基于区域段的交叉熵损失函数进行车辆目标定位优化； S3.3、将方向2π划分为n个均匀区间，并沿X、Z方向分别计算残差回归角度和区域分类角度以此估计车辆目标朝向θ； S3.4、计算车辆目标平均尺寸残差回归获得车辆目标尺寸； 所述车辆目标定位的公式如下： 式中，xp,yp,zp表示感兴趣的前景点位置，xp,yp,zp为车辆目标中心，是点在X和Z方向的位置，为区域段中的残差，用于优化定位准确性，为y方向的估计误差； 所述步骤S5所述的网络损失函数包含不同训练损失项下最小边界框回归损失，以及提议框优化阶段的损失； 所述不同训练损失项下最小边界框回归损失Lreg可表示为： 其中，前景点数量记为Npos，为预测分段残差，为前景点p的位置残差，和是真实车辆目标的对应值，Fcls为交叉熵损失，Freg为smoothL1损失； 其中，C为分类总数； 所述提议框优化阶段的损失可表示为： 其中，Bpos表示正回归提议框，probi为的估计置信度，labeli为对应车辆目标类别，Fcls为估计置信度的交叉熵损失，使用池化后的边界框计算和计算方法与上式中和相似。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人上海无线电设备研究所，其通讯地址为：200233 上海市闵行区中春路1555号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。