[发明专利]一种四维点云自动语义分割标注系统及方法

说明书

本发明公开了一种四维点云自动语义分割标注系统，涉及自动驾驶标注技术领域，包括数据上传模块，数据采样模块，前端模块，四维点云自动标注模块，指令发送模块，结果获取模块；本发明还公开了一种四维点云自动语义分割标注方法，包括如下步骤：S100、采样四维点云数据集获得样本集，S200、样本集的人工标注，S300、四维点云预处理，S400、四维点云自动语义分割标注模型训练，S500、模型推理以及结果后处理，S600、人工质检和微调。本发明实现了点云语义分割标注的自动化，大幅缩减了人工标注的时间和成本。

技术领域

本发明涉及自动驾驶标注技术领域，尤其涉及一种四维点云自动语义分割标注系统及方法。

背景技术

近年来，伴随着科学技术的发展与设备应用层面的更新迭代，自动驾驶已经逐步走进人类的生活当中。各大汽车主机厂、高校、研究所、高新科技企业都纷纷将自动驾驶相关的软硬件技术落地作为工作的重心。感知环节是自动驾驶中最重要的环节之一，它充当了自动驾驶的“眼睛”。感知环节主要涉及到激光雷达、毫米波雷达、摄像头等传感器设备的应用，它能够检测周围环境的信息，并送入后续的流程以供一系列分析和决策。自动驾驶场景中的感知环节离不开以深度学习为骨架的感知算法。深度学习是一项重度数据依赖的工作，训练一个效果好，精度高，泛化性强的感知模型往往需要大量的有标签数据。在这个环节中，如何高效、快速地获得大量有标签数据、提高数据标注的效率是一个至关重要的问题。对于进一步推进自动驾驶领域的发展，数据标注的重要性不言而喻。

激光雷达传感器已成为现代自动驾驶车辆中不可或缺的设备。与传统的摄像头相比，它可以捕获更精确和更远的周围环境距离测量值。从激光雷达传感器的测量结果可构建出三维点云，可用于实现对自动驾驶规划和执行的全面场景理解，其中激光雷达点云语义分割对于驾驶场景理解至关重要。语义分割旨在识别点云中每个点的预定义类别，例如轿车、卡车、行人等。

最近，深度学习的进步极大地推动了图像分割的最新发展。一些现有的激光雷达语义分割方法遵循这条思路将三维点云投影到二维空间，并通过以二维卷积为主要模块的深度神经网络对其进行分割。然而，这类方法在三维到二维投影的过程中不可避免的丢失了准确的三维几何关系和拓扑结构。另一种方式是利用体素化和三维卷积网络来处理点云。体素化的过程可以理解成将点云转化成一幅三维图像，体素则代表这幅三维图像中的最小单位，相当于二维图片中的像素。一般的体素化方法是将点云按照立方体形状均匀划分成体素。然而，室外点云具有近密远疏的特点，如果用立方体来进行体素划分，则会导致近处的体素中的点多而密，而远处的体素往往捕捉不到任何点。这样就会产生大量的空体素，这些空体素在后续的三维卷积过程中不仅无法携带有意义的信息，而且会造成额外的计算开销和显存负担。

针对上述问题，有学者提出将点云参照圆柱体进行体素划分以适应室外点云近密远疏的特点，在这种体素化方式下，近处的体素体积小而点云密，远处的体素体积大而点云稀疏，这样划分出的体素所包含的点的数量相比于立方体体素化方法更加均匀。而然，他们的研究只停留在实验层面，且只在大型的公开数据集上验证了实验结果。

目前市面上已可以找到三维点云的自动目标检测标注系统，但是却缺乏高效的自动语义分割标注系统。相比于三维点云目标检测标注任务下的简单拉框，三维点云的语义分割标注难度更高，操作更繁琐。标注员工在操作时候会出现大量的错检、漏检、以及精度无法保证的情况，且人工标注需要耗费大量的时间，效率低下。一个高精度的三维点云语义分割算法可以返回可靠的预标注结果，从而节省大量的人工标注时间。

因此，本领域的技术人员致力于开发一种四维点云自动语义分割标注系统及方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何提高语义分割算法预测的准确率，提高标注效率。