基于三维点云的高清地图快速语义标注理论与方法研究

The three-dimensional (3D) high-definition map (HD map) is one of the best solutions to accurate positioning and orientation of self-driving vehicles. It also provides an important base for China's national "Smart Road" strategy. Techniques for HD Map creation based on optical images and digital photogrammetry have been well developed. 3D point clouds acquired by LiDAR have demonstrated its great potential due to less effect of lighting conditions. Also, LiDAR will become a standard sensor required for future self-driving vehicles. Therefore, rapid semantic labeling of the 3D LiDAR point clouds becomes a key issue for creating 3D HD maps from point clouds. Considering low efficiency of manual editing and semantic labeling of huge amount of 3D point clouds, this proposed project aims at development of novel theory and methods for rapid and intelligent labeling of point clouds to support point-based 3D HD map creation. The main research tasks include end-to-end point cloud labeling based on deep learning models, effective registration of multi-source point clouds towards HD map updating, and high-performance spatial search for massive point clouds to speed up both semantic labeling and registration processes. It is anticipated that the outcomes of this project will provide a new theoretical basis and technical support for developing novel techniques to create and update future HD maps.

三维高清地图是解决无人驾驶车精确定位定向问题的最佳方案之一，是国家“智慧公路”建设的重要基础。基于二维图像和数字摄影测量方法的高清地图制作与更新技术已趋于完善，鉴于激光雷达获取的三维点云数据受光照条件影响小等优点，其将成为未来无人车的标配传感器。而如何对激光雷达获取的三维点云数据进行快速的语义标注是三维高清地图制作与更新亟需解决的关键问题。本课题针对复杂道路场景点云标注、面向地图更新的异源点云配准以及海量点云数据处理的智能化程度与计算速度低等不足，拟提出基于三维点云的高清地图快速语义标注理论与方法。主要研究内容包括基于深度学习的端到端点云标注方法、面向地图更新的多源点云配准理论与方法以及面向海量三维点云标注与配准的高性能点云空间搜索理论。本课题的研究成果将为三维高清地图制作与更新提供新的理论依据和技术支撑。

如何对激光雷达获取的三维点云数据进行快速的语义标注是三维高清地图制作与更新的关键问题。本课题针对复杂道路场景点云标注、面向地图更新的异源点云配准以及海量点云数据处理的智能化程度与计算速度低等不足，拟提出基于三维点云的高清地图快速语义标注理论与方法。主要研究内容包括基于深度学习的端到端点云标注方法、面向地图更新的多源点云配准理论与方法以及面向海量三维点云标注与配准的高性能点云空间搜索理论。本课题的研究成果为三维高清地图制作与更新提供新的理论依据和技术支撑。经过四年的研究实践，已完成了既定研究目标，主要成果包括：第一，完成试验区域典型场景感知级和测绘级点云的采集以制作样本数据数集，数据标注主要关注非路面物体，即道路场景下常见物体，如车辆、行人、路标牌、树木、交通标志牌和路灯等, 发表了Toronto-3d的大规模移动激光雷达语义数据集；第二，提出了超体素预处理表达、基于点的点云多层级表达以及提出了道路要素与路面目标提取技术，显著提升了目前三维点云地物要素提取技术的能力；第三，提出了三维点云的交互式端到端自动标注方法，显著提升了光谱表现不明显的道路区域的提取表现。第四，提出了一种快速半径最近邻三维点云搜索算法以及GPU加速点云方法研究, 用于搜索三维室内点云语义分割的特征金字塔网络（FPN）模块，通过辅助基于GPU的加速方法，可快速获得自动搜索网络，最终在主存中实现高性能, 实现良好的分割精度, 比大规模运算中基于八叉树的方法实现速度快 2.75 倍。相关成果已经发表在遥感领域顶级国际期刊ISPRS JPRS、JAG、IEEE TGRS以及遥感国际会议IGARSS上，发表SCI文章17篇。已培养博士研究生4人，硕士研究生10人。发明专利10项，帮助企业节省成本近900万。为实景三维、可持续发展地理空间要素提取与分割提供技术支撑。