激光雷达测试规范 厂商电话

以上为基于bev的目标检测方法的简单介绍，该方法在目前的自动驾驶的3D目标检测方案中应用较广。2.Camera view generatorcamera view图是将每圈激光线拉成直线再按行累积而成，因此也称为range view，其中投影图的高为激光线数，宽为lidar扫描一圈的点数，如: ** 线激光雷达，水平角分辨率为0.2°，生成的camera view的图大小为 ** *1800。camera view相对bev图小很多，因此基于camera view的方法效率都较高。具体投影图的生成策略可以关注文章：自动驾驶中，激光雷达点云如何做特征表达[2]。camera view效果如下图。
Roi grid point feature extraction总结：目前基于point-wise feature的目标检测方法还处于研究阶段，效率无法保证，精度还未在真实自动驾驶车上，但由于该方法直接从点云提取特征，大的保留了点云的原始信息，比较有潜力得到更好的效果。参考文献：
1、PointPillars: Fast Encoders for Object Detection from PointClouds
2、VoxelNet: End-to-End Learning for Point Cloud Based 3D Object Detection
3、PIXOR: Real-time 3D Object Detection from Point Clouds
4、Multi-View 3D Object Detection Network for Autonomous Driving5、YOLO3D: End-to-end real-time 3D Oriented Object Bounding Box Detection from LiDAR Point Cloud6、SqueezeSeg: Convolutional Neural Nets with Recurrent CRF for Real-Time Road-Object Segmentation from 3D LiDAR Point Cloud7、PointSeg: Real-Time Se ** ntic Segmentation Based on 3D LiDAR Point Cloud8、LaserNet: An Efficient Probabilistic 3D Object Detector for Autonomous Driving

canonical transfor ** tionRoi aware Point Cloud Pooling[5]整体流程如下图6所示，与STD[9]中的pooling方法类似，先将proposal分割成固定大小的voxel，如14×14×14，然后再提取voxel特征表达：
· RoIAwareMaxPool：使用的是阶段输出的point-wise se ** ntic part feature，在voxel中计算 ** x pooling
· RoIAwareAvgPool：使用的是proposal中经过canonical transfor ** tion点坐标特征和segmentation score，在voxel中计算avg pooling

将两组特征联合作为proposal的pooling特征。
Roi aware Point Cloud Pooling Roi grid pooling[6]与上面两种pooling方法不同的是，并没有将proposal通过voxel得到固定大小的特征图，而是根据pv-rcnn[6]中提出的key point信息，将proposal用6*6*6=216个grid points表达，grid points是从proposal中的key points均匀采样获得，且RoI-grid point features提取过程和key point feature提取过程是相似的。简单来说是以grid point为中心，r为半径的区域内提取不同尺度、不同感受野的特征，在使用2层的MLP网络获得终的特征表达，如图7所示。

1. 特征提取：在proposal中随机筛选N个点，1）获得阶段的点特征；2）获得N个点的坐标，并用如下图5所示的canonical transfor ** tion得到与原坐标系无关的坐标特征。两种特征联合在一起，作为proposal中点的特征表达
2. Voxel表达：将不同大小的proposal，通过voxel统一化到相同大小：dl = 6,dw = 6,dh = 6
3. 使用VFE layer提取终特征