DE-112022007703-B4 - PUNKTWOLKE-IDENTIFIZIERUNGSEINRICHTUNG, LERNEINRICHTUNG, PUNKTWOLKE-IDENTIFIZIERUNGSVERFAHREN UND LERNVERFAHREN

Abstract

Punktwolke-Identifizierungseinrichtung (300), umfassend: eine Punktwolke-Erwerbungseinheit (320), um Punktwolkeninformationen, die N (N ≥ 2) Punkte in k (k ≥ 2) Dimensionen angeben, zu erwerben; eine Modell-Erwerbungseinheit (310), um ein Modell, das über einen Lernparameter verfügt, zu erwerben; eine Rotationsinvarianz-Konvertierungseinheit (330), um eine Orthogonalisierung jedes von Basisvektoren für jeden von Punkten, welche in den Punktwolkeninformationen angegeben sind, durchzuführen, und ein Rotationsinvarianz-Merkmal unter Verwendung von Daten nach der Orthogonalisierung zu berechnen; eine Inferenzeinheit (340), um eine in den Punktwolkeninformationen angegebene Punktwolke unter Verwendung des Rotationsinvarianz-Merkmals und des Modells zu identifizieren; und eine Ergebnis-Ausgabeeinheit (350), um ein Klassifizierungsergebnis durch Identifizierung durch die Inferenzeinheit (340) auszugeben.

Inventors

• Ryoma YATAKA

Assignees

• MITSUBISHI ELECTRIC CORPORATION

Dates

Publication Date

20260507

Application Date

20221102

Claims (8)

1. Punktwolke-Identifizierungseinrichtung (300), umfassend: eine Punktwolke-Erwerbungseinheit (320), um Punktwolkeninformationen, die N (N ≥ 2) Punkte in k (k ≥ 2) Dimensionen angeben, zu erwerben; eine Modell-Erwerbungseinheit (310), um ein Modell, das über einen Lernparameter verfügt, zu erwerben; eine Rotationsinvarianz-Konvertierungseinheit (330), um eine Orthogonalisierung jedes von Basisvektoren für jeden von Punkten, welche in den Punktwolkeninformationen angegeben sind, durchzuführen, und ein Rotationsinvarianz-Merkmal unter Verwendung von Daten nach der Orthogonalisierung zu berechnen; eine Inferenzeinheit (340), um eine in den Punktwolkeninformationen angegebene Punktwolke unter Verwendung des Rotationsinvarianz-Merkmals und des Modells zu identifizieren; und eine Ergebnis-Ausgabeeinheit (350), um ein Klassifizierungsergebnis durch Identifizierung durch die Inferenzeinheit (340) auszugeben.
2. Punktwolke-Identifizierungseinrichtung (300) nach Anspruch 1 , wobei die Rotationsinvarianz-Konvertierungseinheit (330) aufweist: eine Orthogonalisierungsebene-Einheit (331), um einen Basisvektor für jede von k Koordinaten, die einen in den Punktwolkeninformationen enthaltenen Punkt angeben, zu berechnen, und eine Konvertierung in einer solchen Weise durchzuführen, dass die k Basisvektoren orthogonal zueinander sind, um eine orthonormale Basismatrix zu erzeugen; und eine Projektionsebene-Einheit (332), um eine Projektionsmatrix, die das Rotationsinvarianz-Merkmal angibt, unter Verwendung der orthonormalen Basismatrix zu berechnen, und eine Inferenzeinheit (340), die eine in den Punktwolkeninformationen angegebene Punktwolke unter Verwendung der Projektionsmatrix, welche das Rotationsinvarianz-Merkmal angibt, und des Modells identifiziert.
3. Punktwolke-Identifizierungseinrichtung (300) nach Anspruch 2 , wobei die Inferenzeinheit (340), unter Verwendung der Projektionsmatrix, welche das Rotationsinvarianz-Merkmal angibt, und des Modells, ein Punktwolkenmerkmal auf der Grundlage eines Ergebnisses von orthogonaler Projektion einer durch den Lernparameter angegebenen Komponente auf einen Unterraum, der durch die orthonormale Basismatrix in einem N-dimensionalen Raum aufgespannt wird, extrahiert, und die Punktwolke unter Verwendung des Punktwolkenmerkmals identifiziert.
4. Lerneinrichtung (400), umfassend: eine Punktwolke-Erwerbungseinheit (420), um Punktwolkeninformationen, die N (N ≥ 2) Punkte in k (k ≥ 2) Dimensionen angeben, zu erwerben; eine Modell-Erwerbungseinheit (410), um ein Modell, das über einen Lernparameter verfügt, zu erwerben; eine Rotationsinvarianz-Konvertierungseinheit (430), um eine Orthogonalisierung jedes von Basisvektoren für jeden von Punkten, welche in den Punktwolkeninformationen angegeben sind, durchzuführen, und ein Rotationsinvarianz-Merkmal unter Verwendung von Daten nach der Orthogonalisierung zu berechnen; eine Inferenzeinheit (440), um eine in den Punktwolkeninformationen angegebene Punktwolke unter Verwendung des Rotationsinvarianz-Merkmals und des Modells zu identifizieren; eine Ausgabeeinheit (450), um ein Klassifizierungsergebnis durch Identifizierung durch die Inferenzeinheit (440) auszugeben; eine Bewertungseinheit (460), um das Modell unter Verwendung des Klassifizierungsergebnisses zu bewerten; und eine Modell-Aktualisierungseinheit (470), um das Modell unter Verwendung eines Bewertungsergebnisses durch die Bewertungseinheit (460) zu aktualisieren.
5. Lerneinrichtung (400) nach Anspruch 4 , wobei die Rotationsinvarianz-Konvertierungseinheit (430) aufweist: eine Orthogonalisierungsebene-Einheit (431), um einen Basisvektor für jede von k Koordinaten, die einen in den Punktwolkeninformationen enthaltenen Punkt angeben, zu berechnen, und eine Konvertierung in einer solchen Weise durchzuführen, dass die k Basisvektoren orthogonal zueinander sind, um eine orthonormale Basismatrix zu erzeugen; und eine Projektionsebene-Einheit (432), um eine Projektionsmatrix, die das Rotationsinvarianz-Merkmal angibt, unter Verwendung der orthonormalen Basismatrix zu berechnen, und eine Inferenzeinheit (440), die eine in den Punktwolkeninformationen angegebene Punktwolke unter Verwendung der Projektionsmatrix, welche das Rotationsinvarianz-Merkmal angibt, und des Modells identifiziert.
6. Lerneinrichtung (400) nach Anspruch 5 , wobei die Inferenzeinheit (440), unter Verwendung der Projektionsmatrix, welche das Rotationsinvarianz-Merkmal angibt, und des Modells, ein Punktwolkenmerkmal auf der Grundlage eines Ergebnisses von orthogonaler Projektion einer durch den Lernparameter angegebenen Komponente auf einen Unterraum, der durch die orthonormale Basismatrix in einem N-dimensionalen Raum aufgespannt wird, extrahiert, und die Punktwolke unter Verwendung des Punktwolkenmerkmals identifiziert.
7. Punktwolke-Identifizierungsverfahren, das von einer Punktwolke-Identifizierungseinrichtung ausgeführt wird, umfassend: Erwerben, durch eine Punktwolke-Erwerbungseinheit der Punktwolke-Identifizierungseinrichtung, von Punktwolkeninformationen, die N (N ≥ 2) Punkte in k (k ≥ 2) Dimensionen angeben; Erwerben, durch eine Modell-Erwerbungseinheit der Punktwolke-Identifizierungseinrichtung, eines Modells, das über einen Lernparameter verfügt; Durchführen, durch eine Rotationsinvarianz-Konvertierungseinheit der Punktwolke-Identifizierungseinrichtung, einer Orthogonalisierung jedes von Basisvektoren für jeden von Punkten, welche in den Punktwolkeninformationen angegeben sind, und Berechnen, durch die Rotationsinvarianz-Konvertierungseinheit der Punktwolke-Identifizierungseinrichtung, eines Rotationsinvarianz-Merkmals unter Verwendung von Informationen nach der Orthogonalisierung; Identifizieren, durch eine Inferenzeinheit der Punktwolke-Identifizierungseinrichtung, einer in den Punktwolkeninformationen angegebenen Punktwolke unter Verwendung des Rotationsinvarianz-Merkmals und des Modells; und Ausgeben, durch eine Ergebnis-Ausgabeeinheit der Punktwolke-Identifizierungseinrichtung, eines Klassifizierungsergebnisses durch Identifizierung durch die Inferenzeinheit.
8. Lernverfahren für eine Lernvorrichtung, umfassend: Erwerben, durch eine Punktwolke-Erwerbungseinheit der Lernvorrichtung, von Punktwolkeninformationen, die N (N ≥ 2) Punkte in k (k ≥ 2) Dimensionen angeben; Erwerben, durch eine Modell-Erwerbungseinheit der Lernvorrichtung, eines Modells, das über einen Lernparameter verfügt; Durchführen, durch eine Rotationsinvarianz-Konvertierungseinheit der Lernvorrichtung, einer Orthogonalisierung jedes von Basisvektoren für jeden von Punkten, welche in den Punktwolkeninformationen angegeben sind, und Berechnen, durch die Rotationsinvarianz-Konvertierungseinheit der Lernvorrichtung, eines Rotationsinvarianz-Merkmals unter Verwendung von Informationen nach der Orthogonalisierung; Identifizieren, durch eine Inferenzeinheit der Lernvorrichtung, einer in den Punktwolkeninformationen angegebenen Punktwolke unter Verwendung des Rotationsinvarianz-Merkmals und des Modells; Ausgeben, durch eine Ergebnis-Ausgabeeinheit der Lernvorrichtung, eines Klassifizierungsergebnisses durch Identifizierung durch die Inferenzeinheit; Bewerten, durch eine Bewertungseinheit der Lernvorrichtung, des Modells unter Verwendung des Klassifizierungsergebnisses; und Aktualisieren, durch eine Modell-Aktualisierungseinheit der Lernvorrichtung, des Modells unter Verwendung eines Bewertungsergebnisses durch die Bewertungseinheit.

Description

TECHNISCHES GEBIET Die vorliegende Offenbarungstechnologie bezieht sich auf eine Punktwolke-Identifizierungstechnologie zur Identifizierung einer Punktwolke, die durch Punktwolkeninformationen angegeben wird. HINTERGRUND ZUM STAND DER TECHNIK Beispielsweise kann ein Erfassungsergebnis eines Sensors wie LiDAR oder Radar in Form von Punktwolkeninformationen, welche eine große Anzahl von Punkten enthalten, angegeben werden. Es gibt eine Technik zum Extrahieren eines Merkmals einer Punktwolke, die durch solche Punktwolkeninformationen angegeben ist. Die Patentliteratur 1 offenbart eine Merkmalsdarstellungseinrichtung, die ein Merkmal einer Punktwolke darstellt. Insbesondere ist eine Merkmalsdarstellungseinrichtung der Patentliteratur 1 eine Merkmalsdarstellungseinrichtung für die Merkmalsdarstellung von dreidimensionalen Punktwolkendaten (Punktwolkeninformationen), und umfasst eine Abstandsfeld-Konvertierungseinheit, die einen Satz von Punkten in ein Abstandsfeld konvertiert, das die Koordinaten sx, sy, und sz einer räumlichen Abtastpunktgruppe beziehungsweise Samplepunktgruppe s um die Punkte herum, und einen Nearest-Neighbor-Abstand ϕ(s) von dem räumlichen Abtastpunkt s zu einem Nearest-Neighbor-Punkt angibt, eine reguläre Projektionseinheit, die eine Konvertierung in ein Standardkoordinatensystem erhält, indem eine Singulärwertzerlegung einer Matrix M durchgeführt wird, welche die Koordinaten sx, sy, und sz des räumlichen Abtastpunkts s und den Nearest-Neigbor-Abstand ϕ(s) enthält, und eine Parametrisierungseinheit, die eine Gewichtung β als einen Merkmalsvektor der dreidimensionalen Punktwolkendaten ausgibt, indem eine Ausdruckslernmaschine trainiert wird, die als Eingabe eine Koordinate Lin des räumlichen Abtastpunkts s, der in das Standardkoordinatensystem konvertiert wurde, empfängt und den Nearest-Neighbor-Abstand ϕ(s) ausgibt. Die Merkmalsdarstellungseinrichtung aus Patentliteratur 1 ist dazu eingerichtet, beispielsweise eine Punktwolke und eine Punktwolke, die durch Rotieren beziehungsweise Drehen der Punktwolke erhalten wird, anhand eines Nearest-Neighbor-Abstands zu einer räumlichen Abtastpunkgruppe um die Punktwolke herum auszurichten. REFERENZLISTE PATENTLITERATUR Patentliteratur 1: JP 2019-133545 A KURZFASSUNG DER ERFINDUNG TECHNISCHES PROBLEM Die Merkmalsdarstellungseinrichtung aus Patentliteratur 1 hat jedoch das Problem, dass je nach Punktwolke ein Fehler zum Zeitpunkt der Positionierung unter Verwendung des Nearest-Neighbor-Abstands zwischen der Punktwolke und dem räumlichen Abtastpunkt auftritt, und dass eine Punktwolke mit der gleichen Form als eine Punktwolke mit einer anderen Form identifiziert werden kann, und dass die Genauigkeit der Identifizierung der Punktwolke tendenziell gering ist. Die vorliegende Offenbarung löst das obige Problem und eine Aufgabe besteht darin, die Genauigkeit der Identifizierung einer Punktwolke zu verbessern. LÖSUNG DES PROBLEMS Eine Punktwolke-Identifizierungseinrichtung im Sinne der vorliegenden Offenbarung umfasst:eine Punktwolke-Erwerbungseinheit, um Punktwolkeninformationen, die N (N ≥ 2) Punkte in k (k ≥ 2) Dimensionen angeben, zu erwerben;eine Modell-Erwerbungseinheit, um ein Modell, das über einen Lernparameter verfügt, zu erwerben;eine Rotationsinvarianz-Konvertierungseinheit, um eine Orthogonalisierung jedes von Basisvektoren für jeden von Punkten, welche in den Punktwolkeninformationen angegeben sind, durchzuführen, und ein Rotationsinvarianz-Merkmal unter Verwendung von Daten nach der Orthogonalisierung zu berechnen;eine Inferenzeinheit, um eine in den Punktwolkeninformationen angegebene Punktwolke unter Verwendung des Rotationsinvarianz-Merkmals und des Modells zu identifizieren; undeine Ergebnis-Ausgabeeinheit, um ein Klassifizierungsergebnis durch Identifizieren durch die Inferenzeinheit auszugeben. VORTEILHAFTE WIRKUNGEN DER ERFINDUNG Gemäß der vorliegenden Offenbarung ist es möglich, die Genauigkeit des Identifizierens einer Punktwolke zu verbessern. KURZBESCHREIBUNG DER ZEICHNUNGEN 1 ist eine Darstellung, welche ein Beispiel einer Konfiguration eines Punktwolke-Identifizierungssystems einschließlich einer Punktwolke-Identifzierungseinrichtung gemäß einer ersten Ausführungsform darstellt.2 ist eine Darstellung, welche ein Beispiel für eine Konfiguration einer Rotationsinvarianz-Konvertierungseinheit in der Punktwolke-Identifizierungseinrichtung darstellt.3 ist ein Ablaufdiagramm, das ein Beispiel für die Verarbeitung durch die Punktwolke-Identifizierungseinrichtung darstellt.4 ist ein Ablaufdiagramm, das ein konkretes Beispiel für eine Rotationsinvarianz-Konvertierungsverarbeitung bei der Verarbeitung der Punktwolke-Identifizierungseinrichtung darstellt.5 ist eine Darstellung, welche eine Drehung beziehungsweise Rotation einer Punktwolke erläutert.6A ist eine Darstellung, welche eine Beziehung zwischen der Rotation von Punktwolken beschreibt, welche gleiche Formen und Unterräume anzeigen. 6B ist eine Darstellung, welche eine Beziehung zwischen