摘要

在自动驾驶领域，基于激光雷达（LiDAR）的目标检测器需在不同地理区域和多种天气条件下均保持可靠的性能。尽管近期的三维目标检测研究主要集中于单一领域内的性能提升，但我们的研究发现，现代检测器在跨域场景下的表现可能急剧下降。本文针对基于LiDAR的三维目标检测任务，系统研究了无监督域自适应（Unsupervised Domain Adaptation, UDA）方法。在Waymo域自适应数据集上的实验表明，点云质量的退化是导致性能下降的根本原因。为应对这一挑战，本文提出一种通用性方法——语义点生成（Semantic Point Generation, SPG），旨在提升LiDAR检测器对域偏移的鲁棒性。具体而言，SPG在预测的前景区域生成语义点，并精准恢复因遮挡、低反射率或天气干扰等因素导致的前景目标缺失部分。通过将生成的语义点与原始点云融合，构建出增强后的点云数据，该数据可直接输入当前主流的LiDAR三维检测器中使用。为验证SPG的广泛适用性，我们选取两种代表性检测器——PointPillars与PV-RCNN进行实验。在UDA任务中，SPG在所有感兴趣的目标类别及不同难度等级下均显著提升了两者的检测性能。此外，SPG在原始域中的目标检测任务中同样具有增益效果：在Waymo开放数据集与KITTI数据集上，SPG均显著提升了上述两种方法的三维检测性能。当与PV-RCNN结合时，SPG在KITTI数据集上实现了当前最优的三维目标检测结果，达到了新的性能标杆。