尧图网站建设 
119、3D目标检测基础：PointPillars点云目标检测原理与实现上周调试一台移动底盘的时候，激光雷达装的角度偏了大概两度，结果PointPillars在十五米外直接漏检了一辆三轮车。当时我盯着可视化界面看了半天，第一反应是模型出了问题，后来才发现是点云校准没做好。这件事让我想写一篇关于PointPillars的文章——不是那种把论文复述一遍的教程，而是把我在实际部署中踩过的坑、调过的参、改过的代码结构都记录下来。如果你正在做基于激光雷达的3D检测，或者准备把VLA模型和点云感知结合起来，这篇笔记应该能帮你少走几条弯路。为什么是PointPillars而不是别的先说说为什么选PointPillars作为3D检测的入门模型。VoxelNet和SECOND把点云划分成三维体素，然后用3D卷积处理，精度确实不错，但推理速度在嵌入式平台上很难跑实时。PointRCNN走的是两阶段路线，先分割前景再细化框，精度高但工程复杂度也高。PointPillars的核心思路特别朴素——把点云在俯视图上划分成一个个竖直的柱子（Pillar），每个柱子内部提取特征，然后直接当成伪图像用2D卷积处理。这个设计让它在速度和精度之间找到了一个很好的平衡点，在NVIDIA Xavier上能跑到30FPS以上，精度在KITTI数据集上也不输给VoxelNet。我最早接触这个模型是在一个园区巡检项目上，需要在Jetson AGX Xavier上跑实时检测。当时试过VoxelNet，推理一次要120毫秒，根本没法用。换成PointPillars之后，同样的硬件上只要35毫秒，而且精度损失在可接受范围内。从 119、3D目标检测基础：PointPillars点云目标检测原理与实现
119、3D目标检测基础：PointPillars点云目标检测原理与实现上周调试一台移动底盘的时候，激光雷达装的角度偏了大概两度，结果PointPillars在十五米外直接漏检了一辆三轮车。当时我盯着可视化界面看了半天，第一反应是模型出了问题，后来才发现是点云校准没做好。这件事让我想写一篇关于PointPillars的文章——不是那种把论文复述一遍的教程，而是把我在实际部署中踩过的坑、调过的参、改过的代码结构都记录下来。如果你正在做基于激光雷达的3D检测，或者准备把VLA模型和点云感知结合起来，这篇笔记应该能帮你少走几条弯路。为什么是PointPillars而不是别的先说说为什么选PointPillars作为3D检测的入门模型。VoxelNet和SECOND把点云划分成三维体素，然后用3D卷积处理，精度确实不错，但推理速度在嵌入式平台上很难跑实时。PointRCNN走的是两阶段路线，先分割前景再细化框，精度高但工程复杂度也高。PointPillars的核心思路特别朴素——把点云在俯视图上划分成一个个竖直的柱子（Pillar），每个柱子内部提取特征，然后直接当成伪图像用2D卷积处理。这个设计让它在速度和精度之间找到了一个很好的平衡点，在NVIDIA Xavier上能跑到30FPS以上，精度在KITTI数据集上也不输给VoxelNet。我最早接触这个模型是在一个园区巡检项目上，需要在Jetson AGX Xavier上跑实时检测。当时试过VoxelNet，推理一次要120毫秒，根本没法用。换成PointPillars之后，同样的硬件上只要35毫秒，而且精度损失在可接受范围内。从