点云是由一组离散的点表示的地图,最基本的点包含三维坐标,也可以带有颜色信息。点云本身只是一些没有逻辑相互独立的点,可以有成百上千个,具有稀疏性和无序性。通过深度学习的方法可以构建含有语义信息的稠密三维地图,作为实时定位与地图重建技术(Simultaneous Localization and Mapping,SLAM)建图模块的有力辅助手段,对无人驾驶有着广泛的应用价值。点网络是一个统一的体系结构,它首次提出直接将点云作为输入,并为输入的每个点输出全局分类标签或点标签取得了先进效果。然而,点网络算法未被证明能够分割大规模点云,而在实际应用场景中,激光雷达扫描结果的点云数目都以百万计。同时,点网络单独的将每个点作为输入,未能利用点云局部结构。针对这两点,本文提出几项改进:1.本文基于超点图网络,提出了一种对点网络输入点云进行预处理的方法。通过几何分割、超点嵌入等操作有效的降低了大规模点云数量级,完成了一次同时处理百万规模点云的功能,取得了77.12%的分割准确率,同时兼具鲁棒性和较低的复杂度。2.本文基于内核关联网络,提出一种利用点云局部结构的语义分割改进算法。内核关联网络有效的通过细粒度结构提高了点网络在点云分类、局部分割方面的精度,本文证明其在语义分割任务中一样高效,提升准确率至80.6%。此外,本文将该改进算法辅助具备稠密点云建图功能的ORB-SLAM2,使该系统具备了语义建图的功能。3.本文提出了一种对切片网络的改进算法。切片网络通过对无序点云的有序化处理,使得传统深度学习网络具备了处理点云的能力,在对象分类、语义分割、局部分割业务上都取得了出色成绩。本文提出利用具备更强大学习能力的深度双向循环神经网络改进本地依赖模块,提升了分割准确率。