摘要
准确高效的环境感知对于自动驾驶车辆至关重要。对于自动驾驶FSAE电动方程式赛车而言，可靠的3D交通锥检测对于赛道边界重建和下游路径规划至关重要。然而，交通锥的物理尺寸较小、远距离激光雷达回波稀疏以及植被干扰使得这一任务极具挑战性。本研究提出了一种基于PointPillars的高效深度学习激光雷达检测方法。具体来说，三个面向任务的组件被引入PointPillars框架的不同阶段：在Pillar特征网络中引入掩码注意力池化模块以提高稀疏点特征聚合，在鸟瞰图（BEV）主干网络中嵌入坐标注意力以增强空间特征表示，并设计了复合Smooth L1-3D距离IoU（DIoU）损失以改进3D边界框定位。实验在一套自建数据集上进行，该数据集使用搭载于自主研发的自动驾驶FSAE电动方程式赛车上32线机械式激光雷达采集。数据集包含1800帧点云和9369个标注的交通锥实例。所提方法取得了BEV平均精度均值（mAPBEV）86.40%和3D平均精度均值（mAP3D）77.24%，相较于原始PointPillars分别提升了3.08和4.52个百分点。在15-20米范围内，mAP3D从64.67%提升至72.46%。在额外的车载实验中，所提方法在车载工业计算机上实现了约29.8 FPS的帧率，同时精度从91.30%提升至97.70%，漏检率从1.75%降至0.58%，相比原始PointPillars有显著改善。这些结果表明，所提方法为自动驾驶FSAE电动方程式赛车的激光雷达感知提供了检测精度与计算效率之间的良好平衡。
