元戎启行获自动驾驶权威测评第一，精准感知让车辆更“聪明” | 同行者
近日，9001jcc金沙以诚为本被投企业元戎启行自主研发的感知算法，在自动驾驶权威数据集Semantic KITTI“3D点云语义分割”的单次扫描赛道排行榜上斩获第一。
KITTI是全球最大的自动驾驶计算机算法评测数据集。基于KITTI的自动驾驶数据集，Semantic KITTI在2019年问世，推动了基于LiDAR的语义分割研究。在Semantic KITTI “全类别分割平均交并比（mIoU）”指标上，元戎启行获得第一名，超过阿里巴巴达摩院自动驾驶实验室。
榜单上，除了获得mIoU指标获得第一之外，元戎启行的自研感知算法在树干、行人、骑行者（trunk, person, bicyclist）三个场景中获得了第一名，在汽车、卡车（car, truck）两个场景中分别获得第二名与第四名。这证明了元戎启行的算法可以精确感知形状更小、轮廓更复杂且不对称的物体。元戎启行将会把感知算法运用在L4级自动驾驶系统中，可以让系统更“聪明”地理解所处道路环境，加快系统的推理速度、时间，精准地在点级别上感知行人、行车、周围建筑、绿化、障碍物等，提供对周围的环境和物体细粒度的理解能力。
6月17日Semantic KITTI榜单截图
语义分割提供的细粒度理解对于区分可驾驶表面、不可驾驶表面，及推断路面的功能属性（如：停车区，人行道）是必要的。首先，目前的高精度地图上，细粒度理解主要利用测绘工具，由人工标注预先生成，而通过语义分割，可以自动提供高精度地图标注信息。同时，为了保证自动驾驶汽车在未绘制地图的区域内稳定行驶，自动驾驶系统需要根据环境变化，实时调整车辆的规划与控制——语义分割也为此提供了重要的信息来源。
预测可视化
点云是计算机视觉领域常用的三维数据表示方式，包含了物体的丰富信息（三维坐标、颜色、分类值、强度值、时间等）。自动驾驶中用到的3D点云语义分割技术，从车辆周围的环境中，识别并分析出不同的物体。业内使用方法大都分为两种：
（1）以point为载体进行特征提取，这类方法需要对点云进行采样和插值，操作大多较为耗时，无法满足自动驾驶的实时性需求；
（2）将点云体素化，以体素为单位进行特征聚合，投影到2D上（如鸟瞰、前视图等），再通过2D的分割方法进行特征提取——这类方法的速度较快，但由于3D特征转2D的过程中丢失了部分信息，特征提取的效率较差。元戎启行自研的感知算法，对LiDAR点云进行3D体素化表征，同时引入可变卷积对庞大的3D特征直接进行处理，提取到点云的3D特征，在提高网络语义感知精度的同时，达到实时的处理速度。
点云3D像素化
