Face à la difficulté des algorithmes actuels de segmentation des nuages de points LiDAR embarqués basés sur l'apprentissage profond à exploiter pleinement les informations topologiques locales des objets, à la faible capacité d'expression des caractéristiques à différentes échelles, et aux résultats non optimaux de segmentation des petites cibles, cette étude propose un réseau de segmentation des nuages de points LiDAR embarqués utilisant un transformeur renforcé par la perception locale LAE-Transformer (Local-Aware Enhanced Transformer). Tout d'abord, en extrayant les caractéristiques topologiques superficielles, un graphe de la structure géométrique locale du nuage de points est construit pour renforcer la capacité du modèle à capturer les détails des objets ; ensuite, une succession de module de sous-échantillonnage et de transformeur combiné avec points régionaux permet d'extraire des caractéristiques profondes du nuage de points, renforçant la capacité de perception des caractéristiques multi-échelles du modèle ; enfin, un lien résiduel dynamique est introduit lors de la sur-échantillonnage pour fusionner de manière adaptative les informations clés à différentes réceptions ; de plus, une couche de pooling hybride basée sur le pooling attentionnel et le pooling maximal est construite pour compenser la perte d'information. Les tests sur les datasets DALES et LASDU montrent que la précision globale (OA) et le mIoU (intersection sur union moyen) du réseau proposé atteignent respectivement 97,8 % et 80,8 %, ainsi que 87,2 % et 68,5 %, avec des IoU pour les petites cibles telles que camions, poteaux électriques et clôtures dans le dataset DALES atteignant respectivement 42,1 %, 75,4 % et 63,8 %, surpassant la plupart des réseaux populaires et validant la fiabilité de ce réseau pour la segmentation des nuages de points LiDAR embarqués.

LiDAR embarqué;apprentissage profond;segmentation sémantique;mécanisme d’attention;renforcement de la perception locale;scènes complexes;petites cibles;Transformer