自動駕駛作為目前的一個熱點(diǎn)話題,在技術(shù)方面面臨著諸多挑戰(zhàn)。其中,有效地理解三維環(huán)境是當(dāng)前自動駕駛領(lǐng)域最重要、最難以解決的問題。經(jīng)過一段時間的探索,處理三維點(diǎn)云的方案發(fā)展出了2D投影、Point Net直接處理以及最新穎的圖網(wǎng)絡(luò)處理方法。而圖網(wǎng)絡(luò)被認(rèn)為是更適合于無序性數(shù)據(jù)的方法。同時,以上所有的三維目標(biāo)檢測算法都存在由于距離導(dǎo)致的不同尺度目標(biāo)的難檢測問題。本文主要基于典型無人駕駛真實(shí)場景下,針對點(diǎn)云中的多尺度問題,運(yùn)用新穎的圖網(wǎng)絡(luò)算法,設(shè)計解決多尺度問題的網(wǎng)絡(luò)結(jié)構(gòu)和對應(yīng)的損失函數(shù),實(shí)現(xiàn)對點(diǎn)云場景的目標(biāo)檢測。首先,介紹了無人駕駛的KITTI數(shù)據(jù)集并開始建立點(diǎn)云中的節(jié)點(diǎn)圖,為了減少計算復(fù)雜度的考慮,將點(diǎn)云進(jìn)行體素采樣來構(gòu)建一個更簡潔的圖,采樣得到的點(diǎn)云作為頂點(diǎn),點(diǎn)云之間的關(guān)系作為邊,并探討點(diǎn)云圖構(gòu)建的關(guān)鍵性參數(shù)。構(gòu)建了點(diǎn)云圖后,采用多層感知器MLP搭建處理該點(diǎn)云圖的GNN網(wǎng)絡(luò),通過圖網(wǎng)絡(luò)GNN的多次迭代來提取邊和頂點(diǎn)的特征,并設(shè)計網(wǎng)絡(luò)的分類頭和檢測頭,分別采用Focal Loss和Huber Loss來作為分類損失函數(shù)和位置回歸損失函數(shù)。其次,針對采用固定體素網(wǎng)格的采樣方法導(dǎo)致的遠(yuǎn)處區(qū)域點(diǎn)云... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：74 頁

【學(xué)位級別】：碩士

【部分圖文】：

MV3D網(wǎng)絡(luò)結(jié)構(gòu)示意圖

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文4點(diǎn)都由MLP進(jìn)行處理，以獲得每個點(diǎn)對應(yīng)的特征向量。這些特征通過平均或最大池化的對稱函數(shù)進(jìn)行匯總，以形成對應(yīng)于每個點(diǎn)的全局特征向量。圖1-2PointNet網(wǎng)絡(luò)結(jié)構(gòu)圖但是這種針對每個點(diǎn)處理的方式?jīng)]有遞進(jìn)的提取不同尺度的特征，因此，PointNet++[5]進(jìn)一步提出了點(diǎn)特征的分層聚合，并通過圍繞一些關(guān)鍵點(diǎn)進(jìn)行采樣來生成點(diǎn)的局部子集。然后，將那些子集的特征進(jìn)行特征提取，不斷重復(fù)這個過程，如圖1-3所示。許多最新的3D對象檢測方法都利用PointNet++[5]來直接處理點(diǎn)云，避免了將點(diǎn)云映射到網(wǎng)格，如典型的FrustumPointNet[6]，它同樣將PointNet[4]應(yīng)用于點(diǎn)云處理，算法先將RGB二維檢測結(jié)果投影到點(diǎn)云中，形成一個平截頭體，然后利用PointNet針對平截頭體中的點(diǎn)云進(jìn)行檢測，即縮小了檢測所需的點(diǎn)云范圍。如圖1-4所示。圖1-3PointNet++的分層歸組和特征聚合圖1-4FrustumPointNet功能示意圖

PointNet++的分層歸組和特征聚合

【參考文獻(xiàn)】：
碩士論文
[1]基于模態(tài)轉(zhuǎn)換的典型無人駕駛場景下三維目標(biāo)識別算法研究[D]. 陳璦玥.哈爾濱工業(yè)大學(xué) 2019



本文編號：3223192