PES-PointPillars：基于激光雷达的3D物体检测技术，用于自动驾驶：结合定向卷积、自适应特征融合和解耦回归方法

《Electronics》：PES-PointPillars: LiDAR-Based 3D Object Detection for Autonomous Driving with Directional Convolution, Adaptive Feature Fusion, and Decoupled Regression

　　

摘要

基于激光雷达（LiDAR）的自动驾驶3D物体检测需要在定位精度和实时推断之间取得平衡，而稀疏的点测量数据使得行人、自行车手等小型物体在远距离识别时变得特别具有挑战性。本文提出了PES-PointPillars，这是一种经过改进的PointPillars检测器，包含了三个协同设计的变更。首先，使用“风车形卷积”（PConv）替代了部分主干卷积结构，以扩展对稀疏空间结构的检测范围。其次，“改进的层间特征相关性”（I-EFC）模块通过连续的、基于输入的权重来融合多级特征，并采用软门控和自适应阈值处理。最后，“平滑L1-NWD”（SNWD）损失函数在计算平面位置和尺度时应用了标准化的Wasserstein距离，同时保留了用于计算垂直位置、高度和方向的平滑L1回归方法。利用原始PointPillars实现的参数设置和配置，在KITTI验证数据集上，PES-PointPillars在68.3 FPS的帧率下，实现了77.1%的汽车检测精度、46.7%的行人检测精度和62.9%的自行车手检测精度。与原始PointPillars相比，这些精度分别提高了2.1%、3.2%和3.8%。各项组件的独立测试和阶段性评估显示，该模型在不同类别上的性能均有提升，其中完整模型在所有评估配置中表现最为出色。