摘要
随着汽车工业的完善，自动驾驶技术得到了广泛的重视和发展。道路行驶环境地形复杂、目标多样，对周围环境感知能力的好坏直接决定着自动驾驶车辆行驶导航和决策的正确与否，是衡量自动驾驶安全性能的重要指标。近年来，基于深度学习的点云三维目标检测方法成为了自动驾驶感知技术中的研究热点，目前，基于体素的方法解决了点云数据稀疏、无序和海量的问题，但体素化过程中的信息丢失会降低点云的定位精度，且其感受野受3D卷积核大小限制；基于点的方法具有灵活的感受野，但海量的点云导致其计算复杂度过高。因此，提出一种既高效又准确的点云三维目标检测方法具有重要的意义。 首先，考虑到传统点云三维目标检测方法具有计算过程清晰，算法原理可解释的优点，本文对基于欧式聚类的点云三维目标检测方法进行深入研究。针对经典欧式聚类算法对海量点云数据邻近搜索的时间和空间复杂度过高的问题，本文提出了一种基于k-d树改进的欧式聚类点云三维目标检测方法，用k-d树数据结构重新组织点云三维空间，使得邻近搜索更加高效，并取得了良好的检测效果。其次，针对常用的深度学习点云三维目标检测方法存在的定位精度不高、感受野受限和计算复杂度过高等问题，本文提出了一种基于DPV-RCNN网络的点云三维目标检测方法，将基于点的方法和基于体素的方法进行融合，并提出了3D-DIoU方法，增加了预测框与真值框的体中心点欧式距离和两框最小外接长方体的体对角线长度作为非极大值抑制的约束条件，改善了两框的贴合程度，提高了点云三维目标检测结果的准确性。最后，针对DPV-RCNN网络中检测框与真值框不相交或相互包含时训练发散的问题，本文提出了LDIoU损失函数，在LIoU中加入预测框与真值框的体中心点欧式距离和两框最小外接长方体的体对角线长度作为惩罚项，直接最小化两框的距离，解决了训练发散的问题，减少了冗余的检测结果，使检测框的回归更加合理高效。 本文以KITTI数据集中的点云数据作为研究基础和评估样本，相比于PV-RCNN网络，本文的DPV-RCNN网络在简单、中等和困难难度水平的任务中分别将3DmAP提高了0.96%，1.18%，3.51%，并将困难水平的车辆目标检测的BEVmAP提高了2.23%，表现出了良好的性能。
NETL