一种面向非结构化道路的点云语义分割方法

作     者：王章宇 陈阳 周彬 王杰 赵忠山 仪修志 

作者机构：特种车辆无人运输技术工业和信息化部重点实验室 北京航空航天大学交通工程与科学学院 北京航空航天大学前沿科学技术创新研究院 国能北电胜利能源有限公司露天矿运输队 

出 版 物：《北京航空航天大学学报》 (Journal of Beijing University of Aeronautics and Astronautics)

年 卷 期：2023年

核心收录：

学科分类：08[工学] 080203[工学-机械设计及理论] 080204[工学-车辆工程] 0802[工学-机械工程] 

基　　金：国家重点研发计划项目（2020YFB1600301） 国家自然科学基金青年基金项目（52102448） 

主　　题：三维点云 语义分割 非结构化道路 深度学习 注意力机制 

摘      要：点云语义分割作为无人驾驶智能感知的基础任务，可实现道路环境的像素级分类，为无人驾驶的决策规划提供重要支撑。以露天矿区为代表的非结构化道路场景存在环境恶劣、道路边界模糊、障碍物尺寸差异较大等问题，现阶段的点云语义分割方法难以满足非结构化道路无人驾驶高精度感知需求。 针对上述问题，本文提出了一种面向非结构化道路的点云语义分割方法，包括预处理、特征提取网络及逆处理三部分。其中预处理通过坐标转换将三维点云映射到二维RV(Range View)图上，以提高网络推理速度；特征提取网络包括卷积注意力模块及多尺度残差模块，其中卷积注意力模块用于细化分割边界，解决道路边界模糊问题；多尺度残差模块使用大卷积核扩大感受野并融合上下采样特征，以适应非结构化道路环境下障碍物尺寸变化较大的问题；逆处理通过KNN(K-Nearest Neighbor)算法修正语义标签并将点云映射回三维空间。在典型非结构化道路露天矿区数据集上对本文提出的方法进行测试，平均交并比达到85.1%，推理速度达到6.423 ms，与当前最好的基于球面投影的语义分割网络相比整体精度提升了3%，同时推理时间降低了7%，此外，本文提出的方法在非结构化道路场景下进行了实际应用。