随着汽车产业电动化和智能化快速升级,无人驾驶技术作为该领域的主要研究热点,可为交通安全和通行效率提供保障,发展前景十分广阔,已成为汽车产业变革的主要趋势。无人驾驶技术涉及传感技术、人工智能和计算机等众多前沿科技,尤其依赖于传感模块。而激光雷达由于光束窄、方向性好、抗干扰能力强等特点,可获取反映目标几何形状和距离信息的三维点云数据,在响应速度、探测精度和分辨率等方面具有明显优势,已广泛应用于无人驾驶领域。但目前激光雷达仍存在造价高、分辨率低、作用距离有限和获取点云数据质量差等问题。随着人工智能不断发展,用于3D点云数据质量提升和目标检测的深度学习算法也应运而生,但普遍存在处理效率低、检测精度差等问题。针对以上激光雷达技术和3D点云处理算法中存在的问题,本文重点开展了基于振镜扫描的高分辨率激光成像雷达研究、基于生成对抗网络的3D点云快速超分辨率重建和基于复杂YOLO框架的3D点云目标精确检测等关键技术研究,具体内容如下:(1)针对现有激光雷达技术存在的成本高、作用距离有限、成像分辨率低和探测精度差等问题,本文分析并研究了一种基于振镜扫描结构的高分辨率激光成像雷达。首先分析了激光雷达作用原理和数学模型;其次阐述了该激光成像雷达的总体方案,描述了其主要组成结构和原理功能、关键技术指标,并对各子模块涉及的关键技术和原理进行了分析;最后基于不同实际场景对该激光成像雷达进行测试,验证了主要技术指标,工作中心波长为905nm,最远成像距离>250m,探测视场为45°×45°,距离分辨率达亚厘米级,成像分辨率为512×512。(2)为解决3D点云数据处理中广泛存在的点云稀疏、分布不均匀、噪声明显等问题,本文开展了基于生成对抗网络的3D点云快速超分辨率重建关键技术研究,实现了对稀疏点云的快速超分辨率重建,提高了点云数据质量。本文方法PSR-Net的整个结构分为生成器和判别器,生成器对输入的数据进行点云特征提取、特征扩展和上采样点云生成并输出重建结果;判别器则对生成器的结果进行评估预判。本文将原始模型中特征提取单元之间连接方式改为更高效的跳跃连接,可实现点云特征共享以保证超分辨率重建精度,同时可提高算法的处理速度。通过多组实验结果对比,本文方法在点云超分辨率重建精度和速度方面均有良好表现。(3)针对无人驾驶中3D点云目标检测任务存在的检测精度低、较小目标的检测性能差等问题,本文开展了基于复杂YOLO框架的3D点云目标精确检测等关键技术研究。基于已有方法Complex-YOLO,实现了更适用于行人、自行车等较小目标检测任务的3D目标检测模型ERPD-Net。该模型先利用多视图方法对3D点云数据进行预处理,将其按照固定大小的网格单元映射为鸟瞰RGB图并输入至CNN结构进行特征提取;并对传统网格RPN方法添加复角度回归得到E-RPN网络,E-RPN可依据输入的特征图输出目标的位置、大小、检测概率、分类分数等信息。考虑到无人驾驶中对行人和自行车等较小目标进行精确检测的重要性,对模型损失函数中与边界框尺寸相关的损失项添加比例因子,以提升网络对小目标的检测性能。通过多组实验对比分析,结果表明本文方法对3D较小目标检测的适应性更强。