详情

原文传递激光雷达点云语义分割方法研究

论文题名：	激光雷达点云语义分割方法研究
关键词：	自动驾驶汽车;激光雷达;点云数据;语义分割
摘要：	近年来，随着人工智能技术的不断发展，大量应用场景开启了智能化、自动化的进程，其中，自动驾驶成为备受关注的一个领域。为了能够进行自主的路线规划和及时避障，自动驾驶汽车需要准确的环境感知能力。激光雷达可以获取周围场景的三维数据，弥补光学相机的不足，而点云语义分割可以对激光雷达采集的三维点云数据预测出逐点的语义类别标签，实现场景理解。因此激光雷达点云语义分割方法的研究对于自动驾驶的实现至关重要。然而，自动驾驶场景中环境复杂多样、不同目标物的尺度差异巨大，并且不同传感器配置和地理环境下采集的点云的空间特性、场景内容也存在很大不同，这些问题给激光雷达点云语义分割的准确性和泛化性造成了很大困难。　　本论文针对激光雷达点云语义分割存在的一系列问题，提出了对应的解决方法，并通过实施详细的实验验证了方法的有效性。具体包含以下研究内容: 　　(1)多尺度目标物的点云语义分割。针对复杂场景中各种尺寸不一、结构多样的目标物，本文采取了一种基于体素和基于点的方法相结合的点云语义分割方法。首先在基于体素的框架下设计了尺度自适应融合机制对多尺度特征进行选择性的融合，更有效地利用卷积网络提取的不同层级的特征;进一步地，设计了局部点细化模块聚合点云的邻域信息，补偿体素化过程中丢失的几何细节。所提方法在多个公开数据集上进行了验证，有效提升了对于不同尺度物体的分割准确度，产生了精细的点云语义分割结果。　　(2)基于域适应的激光雷达点云语义分割。针对全监督条件下训练好的点云语义分割模型无法有效迁移到其它数据集的问题，本文分析了潜在的原因，提出一种结合模拟采样和自训练的无监督域适应方法。首先使用基于模拟扫描的数据对齐方法，模仿目标域数据的采样模式对已标注的源域数据进行重采样，使用对齐的数据训练模型以适应目标域数据的空间分布特性;其次，采用自训练的方法，利用混合场景和类别感知的修正策略提高目标域伪标签的质量，指导模型适应目标域中场景物体的上下文关系。所提方法在两个大型公开数据集上进行了验证，显著提高了激光雷达点云语义分割模型迁移到目标域的分割准确度。　　总体来说，本论文面向实际应用场景，围绕激光雷达点云语义分割这一核心课题，从不同任务的需求、条件和问题出发，创新性地提出了一系列行之有效的解决方法。无论是用多尺度特征融合和局部点细化提高语义分割的准确度，还是结合模拟扫描和自训练改善模型的迁移效果，都对激光雷达点云语义分割的相关研究有一定的参考价值，有助于推动自动驾驶技术的不断发展和广泛应用。
作者：	张统峰
专业：	信息与通信工程
导师：	陈雪锦
授予学位：	硕士
授予学位单位：	中国科学技术大学
学位年度：	2022