Frente al problema de que los modelos existentes de detección de objetos en nubes de puntos 3D no pueden equilibrar la precisión y la capacidad en tiempo real en escenarios de conducción autónoma, se propone un método eficiente de detección de objetos en nubes de puntos, cuyo objetivo es mejorar la precisión de detección y, al mismo tiempo, satisfacer los requisitos de despliegue en dispositivos de borde en tiempo real, con el fin de promover el desarrollo de aplicaciones en los campos de la conducción autónoma y el transporte inteligente. Basado en el marco de detección de nubes de puntos basado en columnas, se diseñó un modelo de fusión de características multi-columna. El modelo mejora la capacidad de representación de las características de las columnas mediante la introducción de características de varianza de nubes de puntos y codificación posicional, propone un módulo de fusión de características multi-columna para mejorar el aprendizaje de la información contextual entre columnas adyacentes, y combina una red backbone con conexiones residuales y regularización Dropout para optimizar la extracción de características. Además, se mejoró una estrategia de aumento de datos de nubes de puntos mediante la mezcla de nubes de puntos de objetivos de la misma categoría para mejorar la capacidad de generalización del modelo en escenarios complejos. Numerosos experimentos en el conjunto de datos KITTI demostraron que el método propuesto alcanzó un mAP 3D de 68,93 y un mAP BEV de 75,02, con una velocidad de inferencia del modelo mantenida en 55,65 FPS, y además mostró un rendimiento excelente en el conjunto de datos DAIR-V2X. El modelo propuesto logra equilibrar la precisión de detección y el tiempo real mediante la fusión de características multi-columna y una estrategia optimizada de aumento de datos, demostrando potencial de aplicación en escenarios de conducción autónoma. En el futuro, se podría optimizar aún más la arquitectura del modelo para adaptarse al despliegue en sistemas embebidos y satisfacer las necesidades de aplicaciones prácticas.

Detección de objetos 3D;Nubes de puntos;Conducción autónoma;KITTI;DAIR-V2X