自动驾驶系统进阶与项目实战（七）基于PolarNet的点云端到端语义分割和项目实战
基于深度学习的激光雷达点云语义分割是目前自动驾驶领域的热门研究方向，前面的文章中我们介绍过了SqueezeSeg和百度cnn seg点云语义分割方法，其中cnn seg被应用于百度Apollo以及Autoware两个开源的自动驾驶系统，在Apollo和Autoware中，点云语义分割模块都占据了障碍物感知比较大的权重。本文我将详细解读点云语义分割领域最新方法——PolarNet，该方法发表于CVPR2020，是目前该领域最佳方法，通过本文，你将使用SemanticKITTI数据集实践PolarNet神经网络的训练，完成本文的学习你将实现以下结果：
点云语义分割的背景和点云描述方法
点云语义分割在三维目标检测和识别、场景重建以及高精度地图自动化构建等方面都有较大的应用价值，随着深度神经网络在计算机视觉领域的广泛使用，基于深度学习的点云语义分割方法成为该领域的主流。虽然说激光雷达测距精度高，但是也存在几个问题：
- 相比于图像，激光雷达点云过于稀疏，不利于特征学习
- 点云排布具有无序性（我们在前面的SqueezeSeg文章中有详细讨论），这种数据排布特征使得点云不能直接被二维卷积神经网络使用
- 三维卷积网络的计算量剧增，不适用于计算资源非常紧张的自动驾驶汽车场景
为了学习点云的特征，并且解决点云无序性的问题，前面介绍的SqueezeSeg和cnn seg均构建了自己的点云描述方法，不同的是，SqueezeSeg是通过球面投射将点云映射为一个二维的深度图，而cnn seg则是在鸟瞰视角下（Bird Eye View，简称BEV）使用二维网格（直角坐标系网格）提取网格内的点云统计特征构建特征图，目前普遍认为BEV的这种表示方式优于二维深度图