Angesichts der Herausforderung, dass bestehende 3D-Punktwolken-Objekterkennungsmodelle in autonomen Fahrszenarien Präzision und Echtzeitfähigkeit nur schwer in Einklang bringen können, wird eine effiziente Methode zur Objekterkennung in Punktwolken vorgeschlagen, die darauf abzielt, die Erkennungsgenauigkeit zu verbessern und gleichzeitig die Anforderungen an die Echtzeitbereitstellung auf Edge-Geräten zu erfüllen, um die Anwendungsentwicklung im Bereich autonomes Fahren und intelligenter Verkehr voranzutreiben. Basierend auf einem säulenbasierten Punktwolkenerkennungs-Framework wurde ein mehrsäuliges Merkmalsfusionsmodell entwickelt. Das Modell erhöht die Repräsentationsfähigkeit der Säulenmerkmale durch die Einführung von Punktwolken-Varianzmerkmalen und Positionscodierung, schlägt ein mehrsäuliges Merkmalsfusionsmodul vor, um die Kontextinformationslernfähigkeit zwischen benachbarten Säulen zu verbessern, und optimiert die Merkmalsextraktion mit einem Backbone-Netzwerk unter Verwendung von Residualverbindungen und Dropout-Regulierung. Darüber hinaus wurde eine Punktwolkendatenaugmentierungsstrategie verbessert, indem Punktwolken von Zielen derselben Kategorie gemischt wurden, um die Generalisierungsfähigkeit des Modells in komplexen Szenarien zu erhöhen. Umfangreiche Experimente auf dem KITTI-Datensatz zeigen, dass die vorgeschlagene Methode eine 3D-mAP von 68,93 und eine BEV-mAP von 75,02 erreicht, die Inferenzgeschwindigkeit des Modells bei 55,65 FPS liegt und gleichzeitig auf dem DAIR-V2X-Datensatz ebenfalls hervorragende Leistungen erzielt. Das vorgeschlagene Modell erreicht durch mehrsäulige Merkmalsfusion und optimierte Datenaugmentierungsstrategie eine Balance zwischen Erkennungsgenauigkeit und Echtzeitfähigkeit und zeigt Potenzial für Anwendungen in autonomen Fahrszenarien. Zukünftige Arbeiten können die Modellarchitektur weiter optimieren, um sie für den Einsatz in Embedded-Systemen anzupassen und den Anforderungen der Praxis gerecht zu werden.

3D-Objekterkennung;Punktwolke;Autonomes Fahren;KITTI;DAIR-V2X