Devido à dificuldade dos algoritmos atuais de segmentação de nuvens de pontos LiDAR embarcados baseados em aprendizado profundo em aproveitar plenamente as informações topológicas locais dos objetos, à fraca capacidade de expressão de características em diferentes escalas e aos resultados insatisfatórios na segmentação de alvos de pequena escala, este estudo propõe uma rede de segmentação de nuvens de pontos LiDAR embarcados com aprimoramento de percepção local chamada LAE-Transformer (Local-Aware Enhanced Transformer). Primeiramente, extrai-se características topológicas superficiais para construir um grafo da estrutura geométrica local da nuvem de pontos, reforçando a capacidade do modelo de capturar detalhes dos objetos; em seguida, módulos de amostragem decrescente e Transformer conjunto de pontos regionais são conectados para extrair características profundas da nuvem de pontos, aumentando a percepção de características do modelo em múltiplas escalas; por fim, durante o processo de amostragem ascendente, é introduzida uma conexão residual dinâmica para fundir de forma adaptativa as informações-chave em diferentes campos receptivos; além disso, uma camada de pooling híbrida baseada em pooling por atenção e pooling máximo foi construída para compensar a perda de informações. Testes nos conjuntos de dados de nuvens de pontos DALES e LASDU mostraram que a precisão geral (OA) e o índice médio de interseção sobre união (mIoU) da rede proposta são de 97,8% e 80,8%, bem como 87,2% e 68,5%, respectivamente. No conjunto de dados DALES, os índices de interseção sobre união (IoU) para alvos de pequena escala, como caminhões, postes elétricos e cercas foram de 42,1%, 75,4% e 63,8%, respectivamente, superando a maioria das redes populares e validando a confiabilidade da rede para segmentação de nuvens de pontos LiDAR embarcados.

LiDAR embarcado;nuvem de pontos;aprendizado profundo;segmentação semântica;mecanismo de autoatenção;aprimoramento de percepção local;cenas complexas;alvos de pequena escala;Transformer