Debido a que los algoritmos actuales de segmentación de nubes de puntos LiDAR a bordo basados en aprendizaje profundo tienen dificultades para aprovechar plenamente la información topológica local de los objetos, presentan una capacidad débil para expresar características a diferentes escalas y los resultados de segmentación de objetivos a pequeña escala no son ideales, en este estudio se propone una red de segmentación de nubes de puntos LiDAR a bordo con mejora de percepción local llamada LAE-Transformer (Local-Aware Enhanced Transformer). Primero, mediante la extracción de características topológicas superficiales se construye un gráfico de la estructura geométrica local de la nube de puntos para mejorar la capacidad del modelo para capturar detalles de los objetos; luego, se conectan módulos de muestreo descendente y Transformer conjunto de puntos regionales para extraer características profundas de la nube de puntos, mejorando la percepción de características del modelo a múltiples escalas; finalmente, en el proceso de muestreo ascendente se introduce una conexión residual dinámica para fusionar de manera adaptativa la información clave de diferentes campos receptivos; además, se construyó una capa de agrupamiento híbrida basada en agrupamiento por atención y agrupamiento máximo para compensar la pérdida de información. Las pruebas en los conjuntos de datos DALES y LASDU mostraron que la precisión general (OA) y el IoU medio (mIoU) de la red propuesta alcanzan el 97.8% y 80.8% así como 87.2% y 68.5%, respectivamente; en el conjunto de datos DALES, el índice de intersección sobre unión (IoU) para objetivos pequeños como camiones, postes eléctricos y cercas fue de 42.1%, 75.4% y 63.8%, respectivamente, superando a la mayoría de las redes populares y validando la fiabilidad de la red para la segmentación de nubes de puntos LiDAR a bordo.

LiDAR a bordo;nube de puntos;aprendizaje profundo;segmentación semántica;mecanismo de autoatención;mejora de percepción local;escenas complejas;objetivos pequeños;Transformer