5月8日，在自動駕駛權威數(shù)據(jù)集Semantic KITTI上，達摩院憑借全新算法在“單幀3D點云語義分割”排行榜獲得第一。該技術用于達摩院的無人物流車后，大幅提升了車輛的環(huán)境精細化理解能力，使車輛能夠識別“厘米級”障礙物。

KITTI數(shù)據(jù)集是全球最權威的自動駕駛計算機算法評測數(shù)據(jù)集，為促進基于激光的語義分割研究，KITTI推出了細分數(shù)據(jù)集Semantic KITTI，通過全類別分割平均交并比(mIOU)和整體準確率(accuracy)兩大指標，考察參賽者的技術能力。達摩院團隊在兩項指標的評比中均拿下第一。

點云（Point Cloud）是擁有三維坐標、強度等信息的激光點的集合，是計算機視覺領域常用的三維數(shù)據(jù)表示方式。自動駕駛車輛通常借助激光雷達、攝像頭、毫米波雷達等傳感器識別環(huán)境信息。對于激光雷達獲取的周圍環(huán)境的3D點云，識別每個點的語義標簽，就是“3D點云語義分割”。

圖左為原始點云，圖右為經(jīng)過語義分割的點云，自動駕駛車輛辨別出了行人、車輛、樹木、建筑等物體。

除了行人、車輛等常規(guī)檢測目標，道路周圍的建筑、綠化、不明障礙物也會影響自動駕駛車輛的駕駛行為，3D點云語義分割技術的目標，便是幫助車輛更精細地理解道路環(huán)境。

達摩院自動駕駛實驗室資深算法專家卿泉介紹，業(yè)界通用的點云局部上下文特征建模方法難以滿足自動駕駛實時、精準的感知需求。達摩院提出的新算法以激光點為載體，結(jié)合每個3D點在鳥瞰、前視等視角下的鄰域特征，通過多層級聯(lián)編碼進行特征學習，大大增強3D點的特征表示能力，由此提高了語義識別的準確性。

該算法應用于達摩院的無人物流車后，車輛對障礙物的精細化識別水平大幅提升。比如在行駛途中遇到臨時拉起的警戒線，即便線寬僅有3厘米，物流車也能輕松識別并繞道而行。