CurbNet: Curb Detection Framework Based on LiDAR Point Cloud Segmentation

本文介绍了一种基于点云分割的路缘石检测新框架——CurbNet。路缘石检测是智能驾驶中的重要功能，可以用于确定道路的可行驶区域。然而，由于复杂的道路环境，路缘石很难被检测出来。为了解决缺乏全面的路缘石数据集和缺乏3D注释的问题，作者开发了包含7,100帧的3D-Curb数据集，这是目前可用的最大和最具分类多样性的路缘石点云集合。作者认识到，路缘石主要是通过高度变化来表征的，因此采用了空间丰富的3D点云进行训练。为了解决xy平面上路缘石特征的不均匀分布和它们对z轴高频特征的依赖性所带来的挑战，作者引入了多尺度和通道注意力（MSCA）模块，这是一个专门设计用于优化检测性能的定制解决方案。此外，作者提出了一组自适应加权损失函数，专门针对路缘石点云的分布不平衡相对于其他类别。作者在两个主要数据集上进行了广泛的实验，结果超过了领先的路缘石检测和点云分割模型设定的现有基准。通过在后处理阶段集成多聚类和曲线拟合技术，作者大大减少了路缘石检测中的噪声，从而将精度提高到0.8744。值得注意的是，CurbNet在容差为0.15m的情况下实现了超过0.95的平均指标，从而建立了一个新的基准。此外，相互验证的现实世界实验和数据集分析巩固了CurbNet的优异检测能力和其强大的泛化能力。

本文旨在解决智能驾驶中的路缘石检测问题，提出了一种基于点云分割的新型框架CurbNet。

CurbNet利用空间丰富的3D点云进行训练，采用多尺度和通道注意力（MSCA）模块和自适应加权损失函数组来优化检测性能。此外，通过后处理阶段的多聚类和曲线拟合技术，有效减少了噪声。

实验结果表明CurbNet在两个主要数据集上的性能均超过了目前领先的路缘石检测和点云分割模型，并且在0.15m的容差下，平均指标超过0.95，建立了新的基准。此外，作者还开发了最大和最具类别多样性的路缘石点云数据集3D-Curb，共包含7100帧数据。

相关研究包括《PointRCNN: 3D Object Proposal Generation and Detection from Point Cloud》和《3D Object Detection with Pointformer》等。