4D自动标注与3D纯LiDAR检测项目

1.1 任务挑战

• 几乎无法获取逐点的3D速度或者3D位移GT
• 目前开源代码中没有一个可以用来作为baseline的3D场景流估计网络
• 由于耗时非常高，而且有非常多复杂的算子
• 多种算子不支持
• 当前网络能够处理的点数有限

1.2 主要工作

• 构建3D场景流训练集
• 构建并维护两种3D场景流估计网络

1.3.1 数据层面优化

• 3D物体数据增强：通过 Copy-Paste 技术，将现有数据中的3D物体复制粘贴到其他场景中，增强训练数据的多样性和鲁棒性。

  

  

• 引入点云反射率特征：在Voxel中加入点云的反射率信息，提升模型对物体表面材质和特性的感知能力。
• 增加人工标注数据：重点扩充与 VRU 和 超长挂车相关的标注数据，增强模型对这些关键目标的识别能力。

1.3.2 模型层面优化

• 提高BEV分辨率：增加BEV (Bird's Eye View) 的特征图分辨率，提升模型在不同尺度下的目标感知能力。
• 适配不同感知范围：针对210米内不同区域的感知需求，优化模型结构，使其更高效地适应近、中、远距离目标的检测。

1.3.3 损失函数层面优化

• 引入几何对齐损失（Geometric Alignment Loss）：通过几何约束的方式，精细优化预测框的尺寸和角度，提高检测框的精度。

  

  

2.1 主要负责内容

• 数据集适配与优化
• 模型迭代优化
• 问题识别与解决
• 系统性分析
• 持续改进循环

2.1.1 数据集适配与优化

• 将内部数据集转换为模型所需格式
• 建立数据处理pipeline
• 确保数据质量和标注准确性

2.1.2 模型迭代优化

• 基础模型架构调整
• 参数优化与实验
• 性能指标监控与分析

2.1.3 问题识别与解决

• 识别典型失败场景
• 分类整理问题类型
• 建立问题优先级

2.1.4 持续改进循环

• 挖掘 Bad Cases
• 分析case失败原因
• 提出/讨论改进方案
• 验证优化效果