自动驾驶点云感知算法

本篇文章给大家分享自动驾驶点云感知算法，以及点到点自动驾驶对应的知识点，希望对各位有所帮助。

简述信息一览：

• 1、箩筐技术分享:自动驾驶2D和3D视觉感知算法
• 2、自动驾驶系列:激光雷达建图和定位(NDT)
• 3、最详细的自动驾驶3D点云数据集分享系列三|3D点云语义分割标注
• 4、长文梳理点云3D目标检测任务中的两大基础主干网络—Pillar-Based和Voxel...

箩筐技术分享:自动驾驶2D和3D视觉感知算法

D/3D几何约束，如Deep3DBox，通过2D特征估计尺寸和方向，利用投影约束求解3D位置，进一步优化了预测精度。直接生成3DBox的方法，如Mono3D和M3D-RPN，从稠密候选框出发，利用2D特征进行评分和框定，但计算量较大。SS3D和FCOS3D则通过单阶段检测，实现了计算效率的提升。

单目3D感知：包括3D目标检测和深度估计。3D目标检测方法有基于转换的表示、关键点和3D模型、2D/3D几何约束、直接生成3DBox等。深度估计方法有基于单目***序列和基于同步立体图像对等。 双目3D感知：包括3D目标检测和深度估计。3D目标检测方法有3DOP、DSGN、Stereo R-CNN等。

自动驾驶技术的迅速发展，离不开强化学习（RL）领域的进步。本文基于2021年的一篇前沿综述《Deep Reinforcement Learning for Autonomous Driving： A Survey》，对当前先进的自动驾驶深度强化学习（DRL）算法进行系统总结与分类。自动驾驶系统由感知、场景理解、定位与建图、规划与策略制定、控制等模块组成。

自动驾驶系列:激光雷达建图和定位(NDT)

在NDT Mapping模块中，系统通过一系列步骤处理激光雷达点云数据，包括有效范围截取、降***样、设置NDT参数、配准计算以及地图更新。通过不断迭代，系统能够构建出准确的全局地图，并在此基础上进行实时定位。在实际应用中，地图构建和定位过程紧密耦合，相互促进，共同为自动驾驶系统提供精确的环境感知能力。

环境感知：这是自动驾驶系统的“感官”，包括雷达、激光雷达（LiDAR）、摄像头和超声波传感器等，它们协同工作，实时监测并识别车辆周围的物体、行人、交通标志以及路况等信息。 高精度地图和定位：自动驾驶车辆依赖高精度地图来确定自身位置和规划行驶路径。

同步定位与建图（SLAM）在机器人领域应用广泛，通过观测环境特征定位自身位置和姿态，构建周围环境地图，实现同时定位和地图构建。

车载激光雷达算法包括点云分割、目标跟踪与识别、即时定位与地图构建（SLAM）。算法选择将解决不同场景下的智能驾驶问题。面对挑战，激光雷达需降低成本、实现车规级量产，适应气候环境，提升算法自适应性。未来激光雷达将实现固态化、小型化、智能化、网络化，***用多传感器数据融合，优化算法封装。

最详细的自动驾驶3D点云数据集分享系列三|3D点云语义分割标注

1、系列一：3D点云图像标注系列二：2D、3D融合标注系列三：3D点云语义分割标注（本文重点）系列四：3D点云连续帧标注系列三详情01「KITTI」：德国卡尔斯鲁厄理工学院与丰田美国技术研究院合作，12年发布，适用于车辆检测，提供大量真实场景点云数据，用于多种计算机视觉技术评估。

2、自动驾驶领域的3D点云数据集深入研究与分享，「小马数据」系列二聚焦于2D与3D融合标注。此方法旨在结合2D视觉数据与3D位置数据，以提供更精确的标注，帮助自动驾驶系统准确理解周围环境。

3、融合标注使用的3D标注工具仍以3D立体框为主，但在3D点云数据以外，还需要使用2D标注工具在点云数据相对应的2D图像中进行标注，3D点云数据中的标注对象与2D图像中的标注对象一一对应。

4、D点云目标检测需标准目标描述，实时数据中寻找相似点云。3D点云检测获取三维空间物***置和类别信息，应用于自动驾驶、移动机器人。点云标注常见方法有边界框标注、语义分割、实例分割、关键点标注。边界框标注：通过矩形框包围物体，标注位置和尺寸，用于目标检测、跟踪。

5、在自动驾驶场景中，3D点云图像数据标注是关键步骤，目标物体包括车辆、行人、广告标志和树木等。标注遵循规范，包含标注框、类别、属性等标准。点云标注流程包括数据标注、质检与返修、导出样例。数据标注流程分为启动客户端、获取任务、调整标注框、提交标注。

6、D点云关键点可以通过定义检测标准来获取具有稳定性，区别性的点集，从技术上来说，3D点云关键点的数量比原始点云数据量少很多，而关键点技术也已成为在3D信息处理中非常关键的技术。这些关键点可能包括物体的边缘、角点等特征。

长文梳理点云3D目标检测任务中的两大基础主干网络—Pillar-Based和Voxel...

1、Pillar-Based方法在PointPillars论文中提出，直接将点云数据处理为BEV特征，取消了3D卷积主干网络的特征提取过程，具有更快的推理速度和方便部署的特性。点云数据体素化与Voxel-Based相同，体素特征编码相对复杂，包括点云增强和特征提取。体素特征直接投影到BEV空间形成BEV特征，后续通过2D主干网络进一步提取。

2、ResNet-101作为主干网络，提取多尺度特征。Image Channel Reduce对特征图进行降维，Depth Distribution Network估计深度信息。此过程与LSS算法类似，但CaDDN有显式监督，而LSS为隐式监督。构建相机视锥特征的整体流程与LSS算法相同。

关于自动驾驶点云感知算法，以及点到点自动驾驶的相关信息分享结束，感谢你的耐心阅读，希望对你有所帮助。