龚章鹏，王国业，于 是

（中国农业大学工学院，北京 100083）

前言

激光雷达是无人驾驶中必不可少的感知设备，其数据稳定性强、精度高、不受光照强度影响。然而，原始的激光点云数据具有无序性、稀疏性等特征［1］，信息结构单一等不足，使得基于激光雷达的三维目标识别成为无人驾驶领域中的难点。

目前国内研究多采用支持向量机（support vector machine，SVM）对点云特征建模［2-3］。SVM 模型简单，易达到实时处理，但其本质是弱分类器，特征信息不够丰富，在非线性强的复杂场景下效果不佳。因此需要寻求更优的点云特征建模方法。

PointNet［4］利用抽象集合处理点云数据，实现了点云集合的特征向量化，有效解决了无序点云特征建模困难的问题。特征向量化后的点云场景与图像具有相似的数据结构，能够充分发挥卷积网络实现语义信息提取的优势［5-6］。在PointNet 基础框架上，针对点云级别语义信息提取的工作取得了一系列成果［7-8］。PointNet 采集场景内点云数据的数目固定，实际场景点云数据存在随机性，因此在实际应用中受限制。并且简单点级语义信息量级过大，不利于无人驾驶后续决策判断。因此从点级特征中获得物体尺寸回归信息，还原目标物体尺寸是目前的研究热点。PointGNN［9］利用图理论建立点与点之间的联系，从点间拓扑关系中还原目标尺寸信息，但图神经网络的建立较为繁琐。研究表明，利用场景体素化将场景转化为一张规则的特征向量图［10-12］识别效果较好，即运用PointNet模组将1个体素内点集转化成特征向量。……