基于轮式机器人的三维点云成图研究.pdfVIP

摘要

三维点云是一种常见的空间几何结构表达方式，在语义分割和场景理解领域，

特别是在自动驾驶中备受关注。地图是自动驾驶成功的关键。然而，传统的即时定

位与建图（SLAM）技术主要注重几何定位和建图，缺乏对环境语义信息的获取，

这导致难以理解和利用环境中丰富的语义信息，对于人机交互不利。得益于深度学

习的发展，三维点云分类和语义分割技术成为获取地图语义信息的关键。本文旨在

通过轮式机器人和SLAM技术收集点云地图数据，同时结合3D点云深度学习方法

研究点云分类和语义分割问题，以探索构建高精度三维语义地图的方法。主要工作

成果和创新性研究如下：

1.提出了一种基于残差MLP和Transformer的物体级点云分析方法。物体级点

云分析的目标是精确区分点云地图中的各个元素。针对点云地图数据中单个物体点

云不规则且稀疏的问题，提出了一种结合残差MLP和Transformer的点云特征学习

模块。通过引入残差连接，可以堆叠多个MLP层来提取点云局部特征，并逐步提

取更高级别的特征表示。而Transformer利用自注意力机制可以捕捉点云数据中点

与点之间的长程依赖关系和上下文信息，实现每个点特征与其他点特征的交互和整

合，从而获取点云全局特征表示。通过将残差MLP和Transformer的优势相结合，

可以精准提取点云特征。在ModelNet40和ShapeNet数据集上进行的实验验证了该

方法在点云分类和部件分割任务中的有效性。

2.提出了一种面向场景级的点云语义分割方法。场景级语义分割旨在将大场景

点云准确划分为不同的语义部分。首先，提出了一种基于Patchwork的地面预分割

方法。通过地面点迭代拟合和似然估计，在完整分割地面的同时保证地上物体特征

信息不受损失。其次，为了解决点云数据中噪声问题对语义信息提取和地图构建的

影响，提出了一种基于图注意力下采样的点云语义分割方法。在下采样阶段的邻域

聚合过程中，将中心点和邻域点构建成图，自适应地计算权重，动态地聚合邻域特

征。此外，设计了带有位置编码的Transformer模块来更新大场景下的点云特征。

最终，在S3DIS数据集上进行了语义分割实验验证了该方法的有效性。

3.完成了基于轮式机器人的真实场景点云语义地图构建应用。首先，为了获取

更精确的道路边界，提出了基于RANSAC的边界拟合方法。其次，基于轮式机器

人进行了从场景扫描、数据采集到语义分割的真实场景应用，以验证本文研究的有

效性。最终，结合算法与场景应用，设计了一个点云语义地图可视化系统。

关键词：深度学习；3D点云；Transformer；语义分割；语义地图；点云分割

Abstract

The3Dpointcloudisacommonexpressionofspatialgeometricstructureandhas

attractedmuchattentioninthefieldsofsemanticsegmentationandsceneunderstanding,

especiallyinautonomousdriving.Mapsarekeytothesuccessofautonomousdriving.

However,simultaneouslocalizationandmapping(SLAM)technologymainlyfocuseson

geometricpositioningandmapping,andlackstheacquisitionofenvironmentalsemantic

information.Thismakesitdifficulttounderstandandutilizetherichsemanticinformation

intheenvironment,whichisdetrimentaltohuman-computerinteraction.Thankstothe

developmentofdeeplearning,3Dpointcloudclassificationandsemanticsegm