[发明专利]一种激光雷达点云分割方法、系统、设备及存储介质

说明书

本申请实施例涉及三维场景补全技术领域，特别涉及一种激光雷达点云分割方法、系统、设备及存储介质，该方法包括：以栅格化后的距离视图图像作为分割网络的输入，将栅格化后的距离视图图像映射至高维嵌入中，得到特征图；对特征图进行注意力计算，得到与特征图对应的特征；对特征进行语义类别预测，得到距离视图图像中每个栅格位置对于不同语义类别的概率分布；以概率分布作为分割网络的输出，并将网络输出投影至三维空间，完成对激光雷达点云的语义分割。本申请提供的激光雷达点云分割方法，能够在全局感受野下建模长距离范围特征，以更好地解决基于距离视图表征的激光雷达点云分割中存在的问题。

技术领域

本申请实施例涉及深度学习与自动驾驶感知技术领域，特别涉及一种激光雷达点云分割方法、系统、设备及存储介质。

背景技术

激光雷达点云分割是自动驾驶感知中的重要任务之一。近年来，基于不同表征的激光雷达点云分割算法被相继提出。其中，基于距离视图的表征是激光雷达点云分割中常见且实用的表征之一。该表征将三维空间中的点投影至排列紧凑的二维的距离视图图像上，以实现三维到二维的栅格化。如此一来，能够将三维的激光雷达点云分割问题转化为二维的距离视图图像分割问题，从而提升了点云表征的紧凑性，并降低了计算复杂度。

现有的基于距离视图表征的激光雷达点云分割算法，即RangeNet++、FIDNet和CENet，均由全卷积网络所构成。由于卷积操作本身受限于较小感受野，难以建模长距离范围下的特征表征。基于距离视图表征的激光雷达点云分割将三维空间中的点栅格化至二维空间，该转化过程受距离视图图像分辨率等的制约，导致了一系列可能出现的转化问题。然而，基于全卷积网络的分割模型由于不具备全局感受野和长距离范围下的特征建模等特性，难以缓解上述问题。

发明内容

本申请实施例提供一种激光雷达点云分割方法、系统、设备及存储介质，能够在全局感受野下建模长距离范围特征，以更好地解决基于距离视图表征的激光雷达点云分割中存在的问题。

为解决上述技术问题，第一方面，本申请实施例提供一种激光雷达点云分割方法，包括以下步骤：以栅格化后的距离视图图像作为分割网络的输入，将栅格化后的距离视图图像映射至高维嵌入中，得到特征图；对特征图进行注意力计算，得到与特征图对应的特征；对特征进行语义类别预测，得到距离视图图像中每个栅格位置对于不同语义类别的概率分布；以概率分布作为分割网络的输出，并将网络输出投影至三维空间，完成对激光雷达点云的语义分割。

在一些示例性实施例中，在将栅格化后的距离视图图像送至分割网络之前，包括：对栅格化后的距离视图图像进行数据增强处理。

在一些示例性实施例中，在将栅格化后的距离视图图像送至分割网络之前，还包括：将栅格化后的距离视图图像进行切割，得到若干个子距离视图图像；以所述子距离视图图像作为分割网络的输入。

在一些示例性实施例中，所述栅格化后的距离视图图像通过对激光雷达点云进行栅格化处理得到，所述栅格化处理包括：将激光雷达点云中的每个点投影至距离视图图像的栅格中，得到点云输入；所述点云输入由二维距离视图图像表征；且所述点云输入包括以下特征：点的坐标、深度、反射强度和掩码；其中，掩码用于表征所述点云输入中每一个栅格位置是否包含有效的点。

在一些示例性实施例中，通过公式(1)对所述特征图进行注意力计算，所述公式(1)如下所示：

O＝Multi(Q，K，V)＝Concat(head₁，...，head_h)W^O    (1)

其中，O为多头注意力模块的输出；为自注意力机制；为注意力计算公式；σ表示归一化指数函数，d^head表示头的维度；W^Q、W^K、W^V、W^O分别为自注意力机制中的查询Q、键值K、值项V和输出O的权重矩阵。