自动驾驶汽车虚拟测试可以满足自动驾驶汽车更高的测试需求,已经成为自动驾驶汽车测试的一个重要环节。激光雷达产生的三维点云是自动驾驶汽车感知周围环境的重要数据源,人、车、路、树木是交通场景的重要组成要素,因此,对上述交通要素的三维激光雷达点云的模拟生成是虚拟测试的重要任务之一。本文采用基于物体表面模型和基于数据驱动的两种点云生成方法,分别生成交通场景中树木和车辆这两个重要交通要素的点云,本文具体工作如下:1.提出了基于布告牌空间变换的快速树木点云生成方法。根据树木纹理图像得到树木的二维平面点云,经过轮廓提取、均匀化、空间旋转、随机偏移和尺度先验变换获得最终的树木三维点云。提出了一种空间直方图三维点云相似度评价方法,将三维点云空间投影为若干个子空间,采用巴氏系数计算各投影子空间的空间直方图相似度,以投影空间直方图加权相似度作为点云相似度评价值。实验结果表明,本文方法生成的点云能够表达树木的几何形状,与几何模型生成的点云平均相似度在90%以上,而点云生成时间仅是几何模型法的1%,本文点云相似度评价方法可有效评价点云之间的相似度。2.提出了一个基于单视图的两阶段稠密点云生成框架。该框架由双分支解码器稀疏点云生成网络和多层感知器稠密点云生成网络两部分构成;稀疏点云生成网络采用自编码器结构,编码器通过多层卷积的堆叠提取单视图车辆图像的多通道特征,解码器将特征映射为三维点云;采用最小化N距离方法对点云多样性进行重构,最终生成最合理的稀疏点云。在稠密点云生成网络中,采用Point Net++层次结构思想,通过权值共享多层感知器提取点云的局部特征和全局特征,满足了点云特征输入顺序不变性、空间变换不变性和局部性与全局性相统一的要求;结合EM距离和Chamfer距离的特点,采用两阶段训练策略生成不同密度的稠密点云。实验结果表明,本文的两阶段稠密点云生成框架能够生成高质量的车辆稠密点云,平均EM距离和平均Chamfer距离比单阶段稠密点云生成网络分别低38%、37%,平均空间直方图相似度高2.75%。