前言
自动驾驶作为前沿科技与汽车制造业、交通出行行业等融合发展的产物，被各国 上升至国家战略高度[1,2]。迈入“十四五”阶段，我国密集部署“新基建”政策并将自 动驾驶作为其中的一项重要内容，持续完善的行业标准与监管法规正推进自动驾驶技 术由测试验证转向多场景示范应用的新阶段。自动驾驶系统涵盖环境感知、目标定位、 行为决策和运动控制等关键技术[3]，其中环境感知技术是指利用相机、激光雷达、IMU、 毫米波雷达等多种传感器对道路信息和障碍物状态进行感知，为后续的行为决策与车 辆控制提供基础支撑。
自动驾驶汽车行驶时道路中的其他车辆统称为环境车辆，对环境车辆的尺寸、位 置、朝向等信息进行感知对于保障行驶安全具有重要意义。图像与激光雷达点云是实 现三维车辆目标检测与跟踪的两种常用数据。其中，基于图像的三维车辆目标检测技 术往往利用图像纹理与几何特征估计目标深度值[4]，并根据所估计的深度信息回归三维 目标框。因此，深度估计性能下降将导致检测性能下降，尤其是在光照条件差、目标 被遮挡或距离较远等情况下，依赖图像视觉方法难易保持高性能的三维目标检测效果。 与图像数据相比，激光雷达点云提供了场景中车辆对象的三维空间坐标，并且抗干扰 能力更强、感知范围更广，在车辆姿态与位置回归方面具有天然的数据优势。同时， 随着混合固态、纯固态激光雷达产品的面世，高精度、可量产、低成本的激光雷达有 望成为自动驾驶系统感知层的核心传感器。因此，基于激光雷达点云的三维车辆目标 检测与跟踪技术在单车智能、路侧感知等场景中具有广阔的应用空间。激光雷达点云 数据规模大、稀疏、无序，高效地对离散点云所包含的语义信息进行提取是点云处理 时的关键问题。
三维激光雷达点云目标检测技术
激光雷达点云作为一种非结构化数据，具有数据规模大、稀疏、无序等特性，如 何从离散点云中提取语义信息是基于激光雷达点云的三维目标检测技术需要解决的关 键问题之一。根据