Diante do desafio de que os modelos atuais de detecção de objetos em nuvens de pontos 3D não conseguem equilibrar precisão e tempo real em cenários de direção autônoma, propõe-se um método eficiente de detecção de objetos em nuvens de pontos, com o objetivo de melhorar a precisão da detecção enquanto atende às necessidades de implantação em dispositivos de borda em tempo real, promovendo o desenvolvimento de aplicações nos campos de direção autônoma e transporte inteligente. Com base em uma estrutura de detecção de nuvem de pontos baseada em pilares, foi projetado um modelo de fusão de características múltiplas de pilares. O modelo aprimora a capacidade de representação das características dos pilares ao introduzir características de variância da nuvem de pontos e codificação de posição, propõe um módulo de fusão de múltiplas características de pilares para melhorar o aprendizado de informações contextuais entre pilares adjacentes, e combina uma rede backbone com conexões residuais e regularização Dropout para otimizar a extração de características. Além disso, foi aprimorada uma estratégia de aumento de dados de nuvem de pontos, misturando nuvens de pontos de objetos da mesma categoria para aumentar a capacidade de generalização do modelo em cenários complexos. Vários experimentos no conjunto de dados KITTI demonstraram que o método proposto alcançou um mAP 3D de 68,93 e um mAP BEV de 75,02, com a velocidade de inferência do modelo mantida em 55,65 FPS, além de apresentar excelente desempenho no conjunto de dados DAIR-V2X. O modelo proposto alcança um equilíbrio entre precisão de detecção e tempo real por meio da fusão de múltiplas características de pilares e uma estratégia otimizada de aumento de dados, demonstrando potencial de aplicação em cenários de direção autônoma. Futuramente, a arquitetura do modelo pode ser ainda mais otimizada para adaptação ao deployment em sistemas embarcados, atendendo às necessidades de aplicações práticas.

Detecção de objetos 3D;Nuvem de pontos;Direção autônoma;KITTI;DAIR-V2X