随着计算机视觉的迅速崛起,无人驾驶受到机器人领域众多研究者的青睐。无人驾驶系统通过车载传感器达到自身状态和周围环境信息的感知,再通过算法为环境赋予语义信息,实现系统决策。环境感知作为系统的“眼睛”占据重要地位,本文基于深度神经网络实现激光雷达点云数据的语义分割,具体内容主要从以下三方面展开:(1)点云数据预处理:由于点云本身的稀疏性、无序性和非均匀分布的特点,在利用深度全卷积神经网络结构对激光雷达点云数据进行语义分割时,网络的端到端特征使得网络无法直接对点云数据进行处理,需先对点云数据进行预处理,通过球面映射将稀疏散乱分布的点云数据转换为密集均匀分布的二维球面图,方便网络的后续数据处理。为减少点云空间信息的损失,在进行球面映射时对点云的空间位置、反射强度信息和角度值进行保留。(2)以轻量级网络结构squeezenet为基准网络设计神经网络对二维点云球面图进行分割,针对二维球面图的特征增加了Aspp结构、crf结构和reweighting layer等功能层增加特征的丰富性,并充分结合邻近点信息和上下文特征对点云进行分割可提高语义分割的准确性,结合focal loss损失函数形式权衡样本的不均衡问题,加快网络收敛速度。采用轻量级网络结构作为基准网络减少网络参数,实现网络的实时性,并通过对比实验和性能评估对网络的适用性进行说明。(3)基于qt程序开发框架设计点云语义分割标注工具,在点云数据加载、可视化等基本功能的基础上结合本文的神经网络结构实现点云数据的自动标注,同时增加人工对点云标注进行干预的功能,对神经网络标注错误的点进行修正。此外,融合区域生长算法和最小割算法实现人工标注点云的智能化,提升点云标注效率。基于本文设计的标注工具,点云的标注效率可达到每分钟4~5帧。