点云目标识别系列文章目录

点云目标识别系列文章目录

第一章 点云目标识别系列文章目录

---

---

前言

近些年来自动驾驶越来越受到资本和大众的青睐，相关技术手段也不断发展。作为自动驾驶核心之一的感知的重要性也不断凸显，现有感知传感器包括：摄像头、GPS、毫米波雷达、超声波雷达、激光雷达等等。基于摄像头的感知方案以特斯拉为代表，成本较低，但是目前也做不到可信赖的辅助驾驶；所以这几年具备高精度3D信息优势的激光雷达也慢慢走入大众的视野，最开始阻碍激光雷达量产落地的主要因素是其高昂的价格、能否达到车规级标准的要求，但随着这两年禾赛、速腾、大疆、图达通等各大厂商研发的投入，固态激光雷达也纷纷量产，价格大幅度下降，各大车企也纷纷开发并交付了搭配激光雷达的车型（小鹏P5、蔚来ET7/ET5、威马M7、智己L7、极狐HBT等）。所以基于激光雷达的3D点云数据目标识别也是当前一个较为火热的方向，在这里记录一下在自己学习的过程和收获。
一开始学习激光雷达也探索了挺多方向，激光slam、HDmap、点云目标识别、点云处理、三维重建、传感器融合等等，惭愧的是每个方向都是浅尝即止，没什么进展，只能说是了解一下。现在因为选题定位目标识别方向，所以准备下决心好好搞一下，技术要提升一下了。过程中还会学习下点云处理、slam的基础知识

参考文章：

---

一、点云目标识别

基于激光雷达点云的3D目标检测算法有很多种方法：传统聚类方法，点云、体素化、柱状化，RangeView、BirdEyeView，多帧、多视图，OneStage、TwoStage，AnchorBased、AnchroFree、关键点、中心点、Voting、与分割结合、结合反射强度与线束角、转为深度图，知识蒸馏、Transformer、Atteintion、半监督，2DCNN、3D稀疏卷积、图卷积，与Camera图像数据数据融合、特征融合。从现阶段角度，激光雷达本身还有很多工程问题(布置、噪声、标定、同步、畸变、补偿、安全)需要尝试和解决，还有一个难点是网络模型在嵌入式平台的部署与优化。但是对于目标检测算法本身，还是先基于CNN、BEV、AnchorBased/中心点为基础算法完成工程落地，后续逐渐升级到以Transformer/Fusion框架的大感知框架。先以LiDAR/Camera后融合为主，可能的话，逐渐走向前融合的方案。

具体方法介绍参考一位博主的分析，我觉得比较明了。
原文链接：https://blog.csdn.net/weixin_44145782/article/details/117294225

由图像目标检测-2D目标检测方法，3D点云目标检测大体上也可以分为1-stage和2-stage两种，和2D目标检测一样，2-stage的算法一般更加准确，但是在速度上不如1-stage算法。可以看出，最近的3D目标检测工作也大多数是建立在1-stage检测算法上的，毕竟real-time对于自动驾驶来说更加重要！

二、激光slam

这方面了解不多，也是需要参考大佬思路。
后续在补充

总结

千里之行，始于足下。
学习使我快乐！！！