5月8日，在自动驾驶权威数据集Semantic KITTI上，达摩院凭借全新算法在“单帧3D点云语义分割”排行榜获得第一。该技术用于达摩院的无人物流车后，大幅提升了车辆的环境精细化理解能力，使车辆能够识别“厘米级”障碍物。
KITTI数据集是全球最权威的自动驾驶计算机算法评测数据集，为促进基于激光的语义分割研究，KITTI推出了细分数据集Semantic KITTI，通过全类别分割平均交并比(mIOU)和整体准确率(accuracy)两大指标，考察参赛者的技术能力。达摩院团队在两项指标的评比中均拿下第一。
点云（Point Cloud）是拥有三维坐标、强度等信息的激光点的集合，是计算机视觉领域常用的三维数据表示方式。自动驾驶车辆通常借助激光雷达、摄像头、毫米波雷达等传感器识别环境信息。对于激光雷达获取的周围环境的3D点云，识别每个点的语义标签，就是“3D点云语义分割”。
图左为原始点云，图右为经过语义分割的点云，自动驾驶车辆辨别出了行人、车辆、树木、建筑等物体。
除了行人、车辆等常规检测目标，道路周围的建筑、绿化、不明障碍物也会影响自动驾驶车辆的驾驶行为，3D点云语义分割技术的目标，便是帮助车辆更精细地理解道路环境。
达摩院自动驾驶实验室资深算法专家卿泉介绍，业界通用的点云局部上下文特征建模方法难以满足自动驾驶实时、精准的感知需求。达摩院提出的新算法以激光点为载体，结合每个3D点在鸟瞰、前视等视角下的邻域特征，通过多层级联编码进行特征学习，大大增强3D点的特征表示能力，由此提高了语义识别的准确性。
该算法应用于达摩院的无人物流车后，车辆对障碍物的精细化识别水平大幅提升。比如在行驶途中遇到临时拉起的警戒线，即便线宽仅有3厘米，物流车也能轻松识别并绕道而行。
