张 青，黄影平

（上海理工大学，上海 200093）

0 引 言

自主驾驶系统依赖于对环境的准确、实时和强大感知。自主驾驶汽车需要准确分类和定位“道路对象”。本文将道路对象定义为与驾驶相关的对象，如汽车、行人、自行车和其他障碍物。不同的自主驾驶解决方案可能具有不同的传感器组合，但是激光雷达扫描仪是最流行的组件之一[1]。激光雷达扫描仪直接生成环境的距离测量值，供车辆控制器和设计人员使用。此外，激光雷达扫描仪在几乎所有照明条件下都具有强大的功能，无论白天还是黑夜，无论有无眩光和阴影。因此，基于激光雷达的环境感知任务已引起人们的关注。

本文使用基于Velodyne的64线3D激光雷达点云进行道路对象分割。考虑到激光雷达扫描仪的点云输出，该任务旨在隔离感兴趣的对象，并预测其类别，如图1所示。其中，汽车用c标注，行人用p标注，骑车人用b标注。

本文提出了一种基于卷积神经网络（Convolutional Neural Nets，CNN） 和 条 件 随 机 场（Conditional Random Field，CRF）的端到端流水线。具体地，先设计一个输入为转化后的雷达点云、输出为逐点标签矩阵集合的CNN，并通过CRF模型进一步完善CNN，再通过应用常规的聚类算法获得实例级标签。为将3D点云数据送到2D CNN中，本文采用球面投影将稀疏的不规则分布的3D点云转换为密集的2D图像。所提出的CNN模型从SqueezeNet[2]中汲取了灵感，经过精心设计后，可减小参数大小和计算复杂度，旨在降低内存需求，达到适合嵌入式应用的实时处理速度。CRF模型[3]被表述为递归神经网络（Recurrent Neural Net，RNN）模块，可以与CNN模型一起进行端到端训练。……