В связи с проблемой совмещения точности и реального времени существующих моделей обнаружения объектов в трехмерных точечных облаках для сценариев автономного вождения, предложен эффективный метод обнаружения объектов в точечных облаках, направленный на повышение точности обнаружения при одновременном удовлетворении требований к развертыванию на периферийных устройствах в реальном времени, способствующий развитию приложений в области автономного вождения и интеллектуального транспорта. На основе каркасной модели обнаружения точечных облаков разработана модель многоколоночного слияния признаков. Модель улучшает представление признаков колонок за счет введения дисперсионных характеристик точечных облаков и позиционного кодирования, предлагается модуль слияния признаков соседних колонок для улучшения обучения контекстной информации, а также оптимизирована сеть с остаточными связями и регуляризацией Dropout для извлечения признаков. Кроме того, улучшена стратегия аугментации данных точечных облаков посредством смешивания точечных облаков объектов одного класса для повышения обобщающей способности модели в сложных сценариях. Обширные эксперименты на датасете KITTI показали, что предложенный метод достиг 3D mAP в 68,93 и BEV mAP в 75,02, скорость вывода модели составляет 55,65 FPS, при этом модель также показала отличные результаты на датасете DAIR-V2X. Предложенная модель достигла баланса между точностью обнаружения и реальным временем за счет многоколоночного слияния признаков и оптимизированной стратегии аугментации данных, демонстрируя потенциал для применения в сценариях автономного вождения. В будущем можно дополнительно оптимизировать архитектуру модели для адаптации к встраиваемым системам и удовлетворения требований практического применения.

3D обнаружение объектов;точечное облако;автономное вождение;KITTI;DAIR-V2X