装修机器人的推广应用是房地产行业提质增效、解决人力资源短缺的重要手段,同时,3D点云是一种获取环境信息的重要数据形式,在机器人、自动驾驶等领域应用广泛。有效理解环境语义信息是装修机器人工作的基础,3D点云数据的语义分割方法研究具有重要的理论价值和现实意义。由于点云数据的非结构化特性以及获取成本高,传统点云处理技术的研究局限于单一领域,点云深度学习研究方兴未艾,现有方法通用性不强,难以实现装修机器人的自主性,不适用于动态变化的装修环境。因此,本文提出一种面向室内装修环境的点云语义分割方法,能够提高数据利用效率,应对装修环境的动态变化。具体工作如下:1.实地获取环境点云数据,经预处理后得到信息完整、密度均匀的室内装修环境点云数据。结合数据特点,基于PCL中的优秀算法,提出一种基于PCL库的点云语义分割方法,将点云语义分割任务分为点云分割和语义匹配两个阶段,充分利用传统方法不需要标注数据的优点,降低了室内装修环境点云语义分割任务的实现难度。该方法作为一种高效的语义标注方法应用于点云数据集的制作,实现了室内装修环境点云数据集从无到有。2.为了突破传统方法需要人工干预的局限,提出一种基于深度学习的3D点云语义分割方法,深度学习的通用性有助于实现装修机器人的自主性,其中,Point Net模型是一种广泛应用的点云深度学习经典方法,MAML是一种与模型无关的元学习算法。首先利用基于Point Net模型的MAML算法在室内点云数据集S3DIS上进行实验验证,成功将MAML算法从二维图像拓展到三维点云,应用于点云语义任务。通过MAML算法来学习通用能力,提高模型的泛化能力以应对环境动态变化,提高数据利用效率来降低模型对新数据的依赖。然后提出一种基于k NN算法提取点云邻域信息的k-Point Net模型,改进Point Net模型的局部特征提取能力,提升模型语义分割性能。最后结合k-Point Net模型和MAML算法,提出一种基于深度学习的3D点云语义分割方法,在S3DIS数据集上学习先验知识,通过少量标注数据就能适应到室内装修环境中,在室内装修环境点云数据集上取得良好的分割效果。通过对比不同元学习设置的实验结果,得出方法实际应用的最优设置。