[首發(fā)于智駕最前沿微信公眾號]在自動駕駛中，點云是一個非常重要的感知信號，如激光雷達（LiDAR）生成的點云，其實就是三維空間里一堆帶坐標、強度和時間戳的點。單幀點云看起來像“星星撒一地”，不像圖像那樣有整齊的像素網格，也沒有顏色（除非和相機融合），更沒有直接的語義標記。

機器要“學會”點云里的東西，不僅要解決輸入怎么表示成模型能接受的數(shù)值結構，還要學習如何把人類的語義（比如“這是行人”“這是車道”）映射到這些數(shù)值上。

想將點云變成模型能理解的內容，就是把無結構的幾何信息，經過清洗、編碼、標簽化等一系列流程后，變成有結構的張量和監(jiān)督信號，然后用合適的網絡或算法去學習這些映射關系。

如何將點云變成符合模型學習的信息？

自動駕駛汽車上采集的原始點云并不能直接使用，其會有孤立噪聲點、有地面反射、有雨雪霧，還有車輛運動導致的掃描畸變等問題。為了使點云能夠符合模型使用要求，首先要做的就是預處理，這一步的目標是把原始點云規(guī)范化，減少干擾，同時保留判別性信息。預處理包括時間同步和畸變補償（把點按時間補償?shù)浇y(tǒng)一坐標系）、去地面和降噪（去掉地面和平面噪聲以便更好分割物體）、下采樣（用體素化或隨機采樣減少點數(shù)，讓后續(xù)計算更可控）等操作。這些操作對模型訓練和推理的穩(wěn)定性至關重要。

神經網絡其實更喜歡規(guī)則的張量，而點云卻是無序的集合，因此要解決點云的“表示”問題。對此有直接以點集合為輸入，設計點級網絡；把點云離散到體素格子上，用稀疏卷積；把點云投影成二維圖像（例如鳥瞰圖BEV或視角的range image），用2D卷積；以及使用混合手段，把不同表示結合起來等主流做法。不同的方法，會影響模型的計算復雜度、內存占用和對細節(jié)的保留，如點級方法保留細節(jié)好但計算貴，BEV快且對規(guī)劃友好但高度信息丟失。

除了空間表示外，還會從點中提取一些工程特征，每個點的回波強度、局部密度、法向量估計、點到最近地面的高度等信息，都可以和坐標一起作為網絡輸入，幫助模型學到更豐富的幾何線索。

模型如何學會點云里面的內容？

模型要學會“這是什么”和“在哪里”，就得有人先教它。教的方式就是給點云打標簽，比如把每個點標上類別（路、車、人），或者用一個三維的長方體把車或行人圈起來，甚至標出它們的速度和行走軌跡等。標注質量將直接決定模型上限，因此半自動標注工具、投影到圖像做輔標、以及合成數(shù)據(jù)等常被用來進行輔助。

在訓練模型的時候，不僅要教會模型認東西，告訴它“這是車/這是人/這是路”；還要教會它把物體用三維框圈起來，告訴它框應該放在哪兒、多大；更要教會它判斷框的朝向和框跟真實物體重合得有多好。

此外，為了讓模型魯棒性更高，還要學習一些邊緣場景，可調整不同類別場景出現(xiàn)的頻率，讓模型不僅看得懂常見的東西，也看得懂更加復雜的場景。在訓練模型時，可以讓模型對自己判斷有多少有把握給出一個定義，這樣系統(tǒng)在用它的結果時就知道該信多少。

在訓練模型時，數(shù)據(jù)增強也很重要，所謂數(shù)據(jù)增強，就是把已有數(shù)據(jù)稍微改一改來增加多樣性。可通過隨機旋轉、放縮、平移點云，故意刪掉部分點、加點噪聲，或者把一個場景里的真實物體復制到另一個場景里等做法來進行數(shù)據(jù)增強。這樣可以讓模型在應對遮擋、點稀疏或遠處目標的情況時表現(xiàn)得更加出色。

最近流行的還有自監(jiān)督或對比學習，即先讓模型在大量沒標簽的點云上學會“看懂形狀和結構”的能力，然后只用很少的人工標簽微調，就能達到不錯的效果，這樣做能大幅減少人工標注的工作量。

模型訓練后如何部署？

訓練出模型只是第一步，但想把模型安全地用在車上還有很多工作要做。首先要有嚴格的評估指標，用來衡量模型在檢測、分割和跟蹤上的表現(xiàn)。檢測任務常用平均精度（mAP）和3D框的重合度來評價，分割任務常用mIoU。這些指標可以幫助我們比較不同模型和不同訓練配置的優(yōu)劣，但僅有離線指標還不夠，還要在更接近真實的場景里做場景覆蓋測試和壓力測試，保證模型在稀有或極端情形下的表現(xiàn)可接受。

部署階段需要把訓練好的模型做壓縮和優(yōu)化，以滿足車端的算力和延遲約束，可通過模型剪枝、權重量化、使用稀疏運算庫等方式來達到這一要求。當然，一定要保證在壓縮和優(yōu)化的同時保證推理時的精度降損可控。部署之后還要做A/B測試和在線回歸監(jiān)測，持續(xù)觀察模型在真實道路上的表現(xiàn)，如果出現(xiàn)退化或異常，需要能快速回滾到上一個穩(wěn)定版本。

練時的數(shù)據(jù)環(huán)境（傳感器類型、安裝高度、城市布局）和模型實際運行的環(huán)境可能有差別。為了減少這種差別帶來的性能下降，要做域自適應、數(shù)據(jù)擴充或周期性的在線微調。對于長期運行的車隊，還要建立數(shù)據(jù)閉環(huán)，把線上采集到的異常場景回傳、做標注并周期性重訓練，從而持續(xù)提升模型對現(xiàn)實世界的適應能力。

最后的話

想把點云變成模型能學的東西，應先把點云清洗和規(guī)整成模型可以處理的形式，再把人類的語義用標簽和訓練目標教給模型，通過合理的表示、增強和訓練策略讓模型學會識別類別、定位物體并估計不確定性。把這些能力工程化后，配合持續(xù)的數(shù)據(jù)閉環(huán)和安全機制，自動駕駛車輛才能使用點云數(shù)據(jù)在復雜的真實世界里安全、可靠地運行。