万字分析汽车毫米波雷达点云技术( 六 )


 

万字分析汽车毫米波雷达点云技术

文章插图
 
 
 
万字分析汽车毫米波雷达点云技术

文章插图
 
图8 对一个实例场景的每个反射的预测类别标签 。界限框是手动添加的 ,  用于关联点云和摄像机图像 。
5 结论和展望本文以到PointNet++为分类算法 , 给出了雷达数据语义分割的结果 。我们展示出了我们的新方法优于我们以前的方法 , 后者包括两个现已过时的预处理步骤 , 即聚类和特征生成 。此外 , 我们还证明了利用RCS 值和自我运动补偿多普勒速度可以提高分类结果 , 其中多普勒速度对分类结果的影响更大 。
 
在今后的工作中 , 我们将把重点放在两个不同的方面 。一方面 , 将时间信息整合到网络中似乎是有益的 。物体的时间演化是一种描述性特征 , 至少应该改善静态和动态类实例之间的区别 。实现这一目标的一个可能的方法是将一个递归的神经网络结构集成到PointNet++ 。一个更简单的方法是将测量时间戳作为一个额外的功能来呈现 。另一方面 , 需要对语义实例分割进行扩展 。目前 , 我们只为每个反射提供类别标签 , 而不了解该反射所属的对象实例的概念 。因此 , 我们不知道一个场景中存在多少不同的对象 , 而只知道属于一个对象类别的反射量 。类感知聚类算法是从反射中生成实例的一种可能性 , 但是结合实例学习和类关联可能会产生更高的总体性能 。
 
文章转载自公众号:智能汽车开发者平台




推荐阅读