一种面向非结构化道路的点云语义分割方法.pdfVIP

2025

年

2

月北

京

航

空

航

天

大

学

学

报

February2025

第

51

卷

第

2

期Journal

of

Beijing

University

of

Aeronautics

and

AstronauticsVol.

51No.

2

jbuaa@

DOI:

10.13700/j.bh.1001-5965.2023.0045

一种面向非结构化道路的点云语义分割方法

1，2，31，41，2，3，*1，21，45

王章宇，陈阳，周彬，王杰，段星集，赵忠山

(1.

北京航空航天大学

交通工程与科学学院，北京

100191；

2.

车路一体智能交通全国重点实验室，北京

100191；

3.

北京航空航天大学

合肥创新研究院，合肥

230012；

4.

特种车辆无人运输技术工业和信息化部重点实验室，北京

100191；

5.

国能北电胜利能源有限公司

露天矿运输队，锡林浩特

026000)

摘要：针对以露天矿区为代表的非结构化道路场景环境恶劣、道路边界模糊、障碍物尺

寸差异较大等问题，提出一种面向非结构化道路的点云语义分割方法，包括预处理、特征提取网络

及逆处理3部分。其中，预处理通过坐标转换将三维点云映射到二维Range

View

(RV)图上，以提

高网络推理速度；特征提取网络包括卷积注意力模块及多尺度残差模块，卷积注意力模块用于细化

分割边界，解决道路边界模糊问题，多尺度残差模块使用大卷积核扩大感受野并融合上下采样特

征，以适应非结构化道路环境下障碍物尺寸变化较大的问题；逆处理通过K最邻近(KNN)算法修

正语义标签并将点云映射回三维空间。在典型非结构化道路露天矿区数据集上对所提方法进行测

试，平均交并比达到85.1%，推理速度达到6.423

ms，与主流的基于球面投影的语义分割网络相比

整体精度提升了3%，此外，所提方法在非结构化道路场景下进行了实际应用。

关键词：三维点云；语义分割；非结构化道路；深度学习；注意力机制

中图分类号：TP391

文献标志码：A文章编号：1001-5965（2025）02-0457-09

以人工智能为代表的新一代信息技术的发展道路环境进行语义分割，解决光线变化较大问题；

推动了无人驾驶技术的落地应用。以矿区为代表同时，在分割网络中添加注意力模块，获取不同尺

的非结构化道路场景由于其道路封闭、环境简单等度上下文信息，细化不同类别语义分割的边界效

特性，成为无人驾驶最快落地的场景之一。果；使用多尺度残差模块扩大感受野，解决目标尺

语义分割作为无人驾驶智能感知的基础任务，度变化较大问题。本文主要创新点如下：

可实现道路环境的像素级分类，为无人驾驶的决策1）

构建了一种轻量级点云语义分割方法，该方法

规划提供重要支撑。然而非结构化道路下语义分割包括卷积注意力模块(conv-attention

module,

CAM)、

存在巨大挑战：首先，非结构化道路场景下光线多多尺度残差模块，在降低网络推理时间的同时保证

变，同时存在有沙尘和雨雾等天气，成熟的视觉算了网络分割的精度；