您現在的位置：首頁 > 案例分享：自動駕駛3D點云語義分割數據標注
案例分享：自動駕駛3D點云語義分割數據標注
在自動駕駛環(huán)境感知系統(tǒng)中，如何獲取高精度實時路況數據，是決定自動駕駛系統(tǒng)行車安全的關鍵。
目前主流的兩種感知技術路徑“純視覺”與“高精地圖+激光雷達”中，由于激光雷達采集的3D點云路況數據更為密集、準確且具備三維地理信息，因此以3D點云數據為基礎的感知算法即成為部分自動駕駛企業(yè)的核心技術路徑，并誕生了規(guī)模龐大的3D點云數據標注需求。
何為3D點云語義分割
對3D點云數據的標注處理，依據處理方式和使用標注工具的不同，大致可以分為三類：
▌純點云
純點云使用的標注工具以3D立體框為主，待標注對象以3D立體框形式標出，并附上相對應的屬性信息標簽，具體形式如下：
圖片來源：曼孚科技SEED數據服務平臺
▌融合標注
融合標注使用的3D標注工具仍以3D立體框為主，但在3D點云數據以外，還需要使用2D標注工具在點云數據相對應的2D圖像中進行標注，3D點云數據中的標注對象與2D圖像中的標注對象一一對應，具體形式如下：
圖片來源：曼孚科技SEED數據服務平臺
▌3D點云語義分割
與2D圖像語義分割標注邏輯類似，3D點云語義分割也是對不同的待標注對象進行上色分割、賦予語義標簽，不同的是3D點云語義分割需要在3維立體點云中對每個像素點指定一個類別標簽，比如車輛、行人、道路、建筑物等，具體形式如下：
圖片來源：曼孚科技SEED數據服務平臺
相較于前兩種標注方式，在需要更為精細的空間信息時(比如自動泊車)，立體框標注場景中如鉸接式公交車等形狀可變的物體，3D點云語義分割標注對路況數據的反饋更為精準，因此3D點云語義分割標注在自動駕駛感知算法中所占的比重也愈發(fā)高漲。
常見標注規(guī)則與標注對象
不同算法、不同應用場景對點云語義分割的標注需求與規(guī)則也不盡相同，常見的相對簡單的自動駕駛3D點云語義分割標注對象包括：
1、行人：通常指未騎乘交通工具的人，包含騎滑板車、平衡車的人。
2、騎車人：通常包括騎摩托車、自行車、三輪車、電動車等的人。
3、車輛：車輛是3D點云語義分割標注場景下最為常見，且子分類較多的對象。子對象的劃分有依據車輛具體車型，比如轎車、卡車、公交車、救護車等，也有依據類別，比如客車、貨車、工程車等。
以類別為例，具體如下：
1）微型車：如代步車、各類三輪車等；
2）小型汽車：如轎車、SUV等；
3）客車：如大、中型巴士、雙層巴士等載人車輛；
4）貨車：如廂式貨車等載貨車輛；
5）工程車：灑水車、消防車、垃圾車等；
6）其他車輛。
4、路面相關：與路面相關的各種對象，可具體細分為馬路可行駛區(qū)域、人行道、車道線等。
5、建筑物：如樓房、隧道橋面、橋墩、高架橋等。
6、植物：如草地、樹木等。
7、路面物體：路面物體也是一個子對象較多的種類，常見的包括：
1）護欄：如交通隔離欄、交通護欄等；
2）柵欄：臨時性的如交通水馬等；
3）交通標志：如紅綠燈、標識牌、桿等；
4）障礙物：如交通錐桶、警示牌、防撞桶、石墩等；
5）其他物體。
8、噪聲點云：如水霧、煙霧、汽車尾氣、雨水等各類噪聲點云。
以上是3D點云語義分割常見的各類標注對象，但不同場景，具體的對象劃分規(guī)則以及待標注對象種類都存在巨大差異，并沒有統(tǒng)一的標準。
而在更為具體的標注規(guī)則上，差異同樣十分巨大。
常見的標注規(guī)則如物體起標范圍，通常會規(guī)定點云數量超過X以上，該物體即需要標注，此外還會規(guī)定模糊無法判定物體的具體標注規(guī)則等等，不一而足。
具象化的標注實例如下：
標注前(圖片來源：曼孚科技SEED數據服務平臺)
標注后(圖片來源：曼孚科技SEED數據服務平臺)
隨著自動駕駛商業(yè)量產進入新階段，開放路段場景復雜且多變，需要自動駕駛算法有更深的場景積累度與迭代能力，以滿足感知算法與行車安全的需求。
3D點云語義分割更精細的場景信息反饋，在幫助算法建立更貼合現實的場景模型，以及提升感知安全方面具備天然優(yōu)勢，在自動駕駛邁向大規(guī)模商業(yè)化應用的今天，勢必將扮演更重要的角色。
