点云感知算法：目标检测与分割
点云感知是自动驾驶环境理解的核心模块，主要解决 3D 目标检测 与 点云分割 两大任务。面试中不仅考察算法原理深度，更关注候选人在工程落地中的选型思维、性能优化与场景鲁棒性处理能力。本章围绕主流方法分类、核心难点攻克与工业级项目实践展开，助力构建系统化点云感知知识体系。
核心学习目标： 掌握 Point‑based / Voxel‑based / Pillar‑based 方法对比与选型逻辑；理解稀疏性处理、小目标召回等工程难点；熟悉工业级点云检测项目的全链路优化。
面试问答卡
Q1：Point‑based、Voxel‑based 和 Pillar‑based 三种点云检测方法的区别与选型思路是什么？
🎯 面试官考察点：
- 是否系统掌握主流检测方法体系
- 能否根据场景需求做合理技术选型
- 对每种方法核心代价的认知深度
📐 回答框架：
- 方法概述： 三种方法的核心思想 —— 直接处理、体素化、BEV 柱体
- 代表模型与特点： PointNet++ / VoxelNet+SECOND / PointPillars
- 对比维度： 精度、速度、内存、部署难度
- 选型建议： 实时部署选 Pillar，精度优先选 Voxel，学术研究选 Point
💡 示例回答： Point‑based 直接处理原始点云，精度高但计算量较大；Voxel‑based 通过体素化结合稀疏卷积，在精度与效率间取得平衡；Pillar‑based 将点云压缩为 BEV 柱体，速度最快。工业界常以 PointPillars 为基线，兼顾实时性与检测性能。
🔍 可能追问：
- 稀疏卷积的原理与普通卷积的区别是什么？
- PointPillars 中 pillar 特征编码的细节如何实现？
- 如果要在资源受限的嵌入式设备上部署，你会选哪种方法？
⚠️ 避坑提醒： 不要只讲一种方法或停留在分类层面，要突出对比维度与选型逻辑；避免忽略部署约束而空谈精度。
Q2：点云分割中如何处理稀疏性和密度不均匀问题？
🎯 面试官考察点：
- 对点云本质特性（稀疏、无序、密度变化）的理解深度
- 能否提出工程上可行的解决方案
- 是否了解投影式方法与直接处理方法的权衡
📐 回答框架：
- 问题描述： 远距离点稀疏、近处点密集、遮挡导致空洞
- 核心策略： 多尺度特征、密度自适应采样、稀疏卷积
- 投影方法： BEV / Range View 投影后做 2D 分割，效率高
- 实践建议： 工业场景推荐投影方式，兼顾精度与实时性
💡 示例回答： 核心挑战在于点云稀疏且密度差异大。常用策略包括：多尺度特征提取捕获局部与全局上下文；密度自适应采样调整不同区域采样密度；稀疏卷积降低无效计算量。工业落地常采用 BEV 或 Range View 投影后再做分割，在实时性和精度之间取得较好平衡。
🔍 可能追问：
- BEV 投影与 Range View 投影各自的优劣势是什么？
- 密度自适应采样的具体实现方法有哪些？
- 如何处理投影过程中的信息损失？
⚠️ 避坑提醒： 不要只提空洞的理论方案而忽略工程可行性；避免忽略多模态融合（点云+图像）对稀疏性的补偿作用。