自動(dòng)駕駛作為目前的一個(gè)熱點(diǎn)話(huà)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(dòng)駕駛領(lǐng)域最重要、最難以解決的問(wèn)題。經(jīng)過(guò)一段時(shí)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(wú)序性數(shù)據(jù)的方法。同時(shí),以上所有的三維目標(biāo)檢測(cè)算法都存在由于距離導(dǎo)致的不同尺度目標(biāo)的難檢測(cè)問(wèn)題。本文主要基于典型無(wú)人駕駛真實(shí)場(chǎng)景下,針對(duì)點(diǎn)云中的多尺度問(wèn)題,運(yùn)用新穎的圖網(wǎng)絡(luò)算法,設(shè)計(jì)解決多尺度問(wèn)題的網(wǎng)絡(luò)結(jié)構(gòu)和對(duì)應(yīng)的損失函數(shù),實(shí)現(xiàn)對(duì)點(diǎn)云場(chǎng)景的目標(biāo)檢測(cè)。首先,介紹了無(wú)人駕駛的KITTI數(shù)據(jù)集并開(kāi)始建立點(diǎn)云中的節(jié)點(diǎn)圖,為了減少計(jì)算復(fù)雜度的考慮,將點(diǎn)云進(jìn)行體素采樣來(lái)構(gòu)建一個(gè)更簡(jiǎn)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(guò)圖網(wǎng)絡(luò)GNN的多次迭代來(lái)提取邊和頂點(diǎn)的特征,并設(shè)計(jì)網(wǎng)絡(luò)的分類(lèi)頭和檢測(cè)頭,分別采用Focal Loss和Huber Loss來(lái)作為分類(lèi)損失函數(shù)和位置回歸損失函數(shù)。其次,針對(duì)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(lái)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(yè)數(shù)】：74 頁(yè)

【學(xué)位級(jí)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(gè)點(diǎn)對(duì)應(yīng)的特征向量。這些特征通過(guò)平均或最大池化的對(duì)稱(chēng)函數(shù)進(jìn)行匯總，以形成對(duì)應(yīng)于每個(gè)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(duì)每個(gè)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(guò)圍繞一些關(guān)鍵點(diǎn)進(jìn)行采樣來(lái)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(gè)過(guò)程，如圖1-3所示。許多最新的3D對(duì)象檢測(cè)方法都利用PointNet++[5]來(lái)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(cè)結(jié)果投影到點(diǎn)云中，形成一個(gè)平截頭體，然后利用PointNet針對(duì)平截頭體中的點(diǎn)云進(jìn)行檢測(cè)，即縮小了檢測(cè)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(wú)人駕駛場(chǎng)景下三維目標(biāo)識(shí)別算法研究[D]. 陳璦玥.哈爾濱工業(yè)大學(xué) 2019



本文編號(hào)：3223192