详情

原文传递面向自动驾驶的激光点云3D目标检测算法与应用研究

论文题名：	面向自动驾驶的激光点云3D目标检测算法与应用研究
关键词：	自动驾驶汽车;3D目标检测;激光雷达;深度学习
摘要：	较低的三维目标检测精度会严重损害自动驾驶的可靠性及乘客的安全，传统基于激光雷达的目标检测算法往往是以欧式聚类为代表的手工提取特征进行目标检测，然而手工提取的特征可能是并不是最优的。近年来，随着深度学习以及卷积神经网络的兴起，这类基于数据驱动的算法已在图像领域展现出了巨大的优越性，不少研究人员将深度学习技术应用于点云的目标检测任务，然而现有基于深度学习的点云3D目标检测算法依旧存在着感知精度低、检测精度与实时性无法兼顾等问题。为此，本文以基于激光雷达的3D目标检测为研究对象，以提升3D目标检测算法的精度和实时性为目的，开展了基于深度学习理论的3D目标检测算法与应用研究。　　首先，回顾了3D目标检测算法的理论基础，介绍了自动驾驶实验车的软硬件平台，分析了当前主流3D目标检测算法的优缺点。最远点采样算法（Further point sampling，FPS）用于目标检测中从原始点云里采集关键点，针对FPS采集的关键点中的前景点比例较低的问题，提出了基于语义分割的双阶段3D目标检测算法（Seg-RCNN,Segmentation based Region-Convolution Neural Networks），在该算法中提出了基于语义分割的最远点采样算法（SegFPS,Segmentation classes based Further Point Sampling），SegFPS在采集关键点时同时利用语义分割类别和欧氏距离，提升了采集的关键点中前景点的比例，在KITTI数据集上的实验结果显示，相比于当前主流算法有较高的检测精度，采用SegFPS可提升约2%的检测精度，Seg-RCNN的运行时间约为80ms。　　其次，分析了单阶段3D目标检测算法的精度瓶颈，指出了基于类别置信度的候选框后处理策略存在较多误检测的现象（候选框指的是在特征图上输出的所有检测结果，候选框需要基于后处理策略进一步进行细化筛选，删除冗余和误检测目标框，从而得到最终检测结果），提出了基于空间交并比的单阶段3D目标检测算法（IOU-SSD,IOU score based Single Stage Detector），该算法采用基于IOU得分和类别置信度融合的后处理策略，可以有效的从候选框中选择正确的检测框，减少误检测。在KITTI数据集上的实验结果显示，相比于现有的主流单阶段目标检测算法有着较高的精度，采用融合后处理策略可提升约6%的检测精度，IOU-SSD算法的运行时间仅为45ms。　　接着，针对决策与规划对感知系统提出的预测目标速度的感知任务，提出了基于时间序列连续帧匹配的速度预测方法，算法通过计算相邻连续帧目标的俯视图交并比值对目标障碍物实现追踪，从而对时间序列相邻帧的同一目标计算相对速度，实验结果显示速度预测误差RMSE为0.86。　　最后，利用自动驾驶实验车平台采集了校园道路环境行驶数据，选取了580帧作为关键帧进行3D目标框的标注，标注类别包含：车辆、行人、骑手、大巴车等；标注范围为360度，提出了不同难度等级的多层次评价指标，根据镭神激光雷达数据特性调整了Seg-RCNN及IOU-SSD算法的部分参数，两种算法分别在镭神数据集上进行了测试实验，结果显示：Car类Level2难度级别的3D检测精度分别为83.01%、81.07%，运行时间分别为60ms、40ms。
作者：	赵亮
专业：	动力工程及工程热物理
导师：	王宇
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2021