摘要
激光雷达（LiDAR）传感器是自动驾驶车辆与智能机器人感知系统中的关键组件。为满足真实应用场景下的实时性需求，高效地对LiDAR扫描数据进行分割至关重要。以往的大多数方法通常将三维点云直接投影至二维球面距离图像（spherical range image），从而利用高效的二维卷积操作实现图像分割。尽管该方法取得了令人鼓舞的成果，但在球面投影过程中，局部邻域信息未能得到良好保留。此外，单帧扫描分割任务未充分考虑时间维度上的信息关联。为解决上述问题，本文提出一种面向LiDAR序列的新型语义分割方法——Meta-RangeSeg。该方法引入了一种新颖的“距离残差图像”（range residual image）表示形式，以有效捕捉点云数据中的时空联合信息。具体而言，采用Meta-Kernel模块提取元特征（meta features），有效缓解了输入二维距离图像坐标与输出三维笛卡尔坐标之间的不一致性问题。同时，设计了一种高效的U-Net骨干网络，用于提取多尺度特征表示。此外，特征聚合模块（Feature Aggregation Module, FAM）强化了距离通道的表达能力，并实现不同层级特征的融合与增强。我们在SemanticKITTI和SemanticPOSS两个公开数据集上进行了大量实验，全面评估了所提方法的性能。实验结果表明，Meta-RangeSeg在分割精度与计算效率方面均优于现有主流方法。本方法的完整代码已开源，可访问：https://github.com/songw-zju/Meta-RangeSeg。