Los datos de LiDAR, debido a sus características geométricas, se utilizan ampliamente en tareas de detección de objetos tridimensionales. Debido a la escasez e irregularidad de los datos de nubes de puntos, es difícil lograr un equilibrio entre la calidad de extracción de características y la velocidad de inferencia. Este artículo propone un algoritmo de detección de objetos 3D basado en la codificación de características de pilares volumétricos, fundamentado en la red Pointpillars, y diseña un marco de modelo profesor-estudiante para la destilación de la escala de los cuadros de regresión, aumentando la pérdida de destilación, optimizando el entrenamiento del modelo de red y mejorando la calidad de extracción de características. Para mejorar aún más el rendimiento de detección del modelo, se diseñó un término de clasificación guiado por la localización, que aumenta la correlación entre la predicción de clasificación y la de regresión, mejorando la precisión del reconocimiento de objetos. Las mejoras realizadas en esta red no introducen incrustaciones de red adicionales. Los resultados experimentales en el conjunto de datos KITTI demuestran que, en modo 3D, el valor promedio de precisión aumentó del 60.65% al 64.69%, y en modo vista aérea aumentó del 67.74% al 70.24% en comparación con la red base. La velocidad de inferencia del modelo es de 45 FPS, satisfaciendo los requisitos de tiempo real mientras mejora la precisión de detección.

nube de puntos lidar;detección de objetos 3D;destilación de conocimiento;confianza en clasificación