随着深度学习的发展以及人工智能技术在新时代的普及,无人驾驶汽车成为深度学习一个热门研究方向,这一技术的突破将能够解决日益严重的交通拥堵问题。本文主要研究是利用激光雷达采集的三维点云作为数据,完成道路车辆及障碍物识别的任务,主要包括基于空间图卷积的车辆检测算法,基于Point Net++的车辆检测算法,以及基于全卷积神经网络的面向鸟瞰点云图的车辆检测算法,获得能够更准确预测车辆的三维检测模型。本文主要研究内容包括:1.当前大多数三维检测算法在提取点云特征时,采取单独处理各个点的方式,极易忽略局部特征。本文提出了一种基于空间图卷积的车辆检测算法,在三维点云中构建局部邻域图连接相邻点,并在相邻点之间的对边上进行卷积计算以利用点的局部几何结构。局部邻域图随着网络层的改变而不同,结合点云图像的特征,使用了新颖的局部特征聚合模块和局部特征学习模块,逐步增加每个3D点的感受野,并将不同层的几何特征信息、图像信息和全局特征聚合,实现了车辆、行人和自行车的准确预测。2.针对三维点云存在稀疏性的问题,本文提出了基于Point Net++网络的车辆检测算法。以改进的分割网络获取三维点云中高质量的前景点和背景点,以高质量前景点代表整个场景信息,设定阈值进一步从前景点中划分目标点。将车辆的平均尺寸定义为距离阈值以聚集车辆点,计算聚集点之间的局部空间特征,保留车辆的细节信息,提高了车辆检测的准确性。3.鸟瞰图(BEV)中的对象彼此不重叠,保留了度量空间。因此,本文基于全卷积神经网络提出面向鸟瞰点云图的车辆检测算法,以改进后的分割和回归网络对三维点云进行逐个像素的预测。在低层次的卷积层中使用较多的通道数来提取更多细节信息,将高分辨率特征图与低分辨率特征图结合,改善下采样后车辆像素太少导致的误检率高的问题,较好实现了车辆的检测功能。