| 使用环境 |
在自动驾驶场景中，车辆以不同速度行驶，使用激光雷达（LiDAR）进行3D点云数据采集，环境光照强度为500 - 2000 lux，采集范围为车辆周围100 m内。 |
| 使用对象 |
自动驾驶场景中的汽车、行人、非机动车等三维目标。 |
| 使用目的 |
通过检测自动驾驶场景中的三维目标，提高对小目标和被遮挡目标的检测精度，减少漏检和错检，提升自动驾驶系统的安全性。 |
| 输入数据 |
3D点云数据，范围为X轴[0, 70.4m]，Y轴[-40.0m, 40.0m]，Z轴[-3.0m, 1.0m]，体素大小为(0.05m, 0.05m, 0.1 |
| 输出数据 |
目标类型（汽车、行人、非机动车）、目标位置坐标（x, y, z）、目标尺寸（长、宽、高）、置信度。 |
| 硬件配置 |
CPU：Intel Core i9-9900K，GPU：NVIDIA GeForce GTX 2080Ti，内存：32GB，显存：11GB，激光雷达：Velodyne VLP-16，数据采集卡：PCIe接口。 |
| 样本获取 |
在KITTI数据集上进行实验，包含7481个不同场景的3D点云数据，其中80%用于训练集，20%用于测试集。 |
| 测试结果 |
在KITTI数据集上，汽车、行人、非机动车的检测精度分别提升了0.5097、0.8791、0.6233百分点，平均检测精度提升约0.67百分点。 |
| 执行速度 |
检测速度为100ms/次。 |
| 资源消耗 |
在上述硬件配置下，CPU平均占用率约70%，GPU平均占用率约80%，内存使用量约20GB。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式进行授权。 |
| 文件大小 |
算法程序文件约100K，权重文件约280M |
| 相关备注 |
本算法针对小目标和被遮挡目标的检测精度进行了优化，适用于自动驾驶场景中的三维目标检测任务。 |
