基于改进PointNet++的非铺装路面凹凸不平识别和行车风险建模

doi:10.19562/j.chinasae.qcgc.2025.10.003

摘要/Abstract

摘要：

非铺装路面的凹坑和凸起对车辆行驶安全性有重要影响，但是这些不平特征既不能视作障碍物，也不能当作路面粗糙度，给非铺装道路下车辆的路径规划和行驶安全性评估带来挑战。为此，本文根据路面凹凸不平的高度/深度、面积和形状等对车辆行驶安全性的影响，提出一种基于激光雷达点云的车辆行驶风险模型构建方法。首先，针对非铺装道路凹坑凸起不平特征数据特点，提出改进PointNet++模型，对凹凸不平进行识别并提升点云语义分割性能；然后，根据语义分割结果和感兴趣点云类别定义，采用3种聚类算法对点云数据进行聚类对比，确定采用DBSCAN算法实现非铺装道路下的最高效率技术路线；最后，根据不同凹坑和凸起对车辆行驶安全性的影响，引入地形类别系数和地形密度风险，基于二维高斯函数构建了凹凸不平对车辆的安全风险模型，实现对非铺装道路场景驾驶风险的参数化表达。通过实验和仿真数据对比，结果表明，本文改进的PointNet++语义分割模型平均联合交集提高了5.7%，准确率和召回率分别提升5.3%和6.4%，实现了非铺装路面凹凸不平高精度识别和行驶风险建模，在不同点云密度、路面范围和道路场景下均具有较高的鲁棒性。

关键词: 非铺装道路, 凹凸不平, 风险模型, 环境感知

Abstract:

Potholes and bulges on unpaved road have a significant impact on vehicle driving safety. However， these uneven features cannot be simply regarded as obstacles or surface roughness， posing challenges for vehicle path planning and driving safety assessment in unpaved road environment. To address this， a LiDAR point cloud-based vehicle risk modeling method is proposed， considering the effect of surface unevenness， such as height/depth， area， and shape， on driving safety. Firstly， for the characteristics of pothole and bump features in unpaved road point cloud data， an improved PointNet++ model is proposed to enhance semantic segmentation performance and accurately identify uneven structures. Then， based on the semantic segmentation results and the defined categories of interest， three clustering algorithms are compared， and DBSCAN is identified as the most efficient method for clustering uneven features in unpaved road. Finally， to reflect the impact of various potholes and bumps on vehicle safety， terrain category coefficients and terrain density risks are introduced. A two-dimensional Gaussian function is used to construct a risk model for uneven terrain， enabling parametric representation of driving risks in unpaved road scenarios. The experimental and simulation results show that the improved PointNet++ model increases mIoU by 5.7%， and improves accuracy and recall by 5.3% and 6.4%， respectively. The proposed method achieves high-precision recognition of unpaved road unevenness and driving risk modeling， exhibiting strong robustness across different point cloud densities， road coverage， and road scenarios.

Key words: unpaved road, unevenness, risk model, environmental perception

伍文广,邱松江,胡林,张晓强,邱增华,汪嘉凯. 基于改进PointNet++的非铺装路面凹凸不平识别和行车风险建模[J]. 汽车工程, 2025, 47(10): 1872-1884.

Wenguang Wu,Songjiang Qiu,Lin Hu,Xiaoqiang Zhang,Zenghua Qiu,Jiakai Wang. Unpaved Road Unevenness Recognition and Driving Risk Model Construction Based on the Improved Pointnet++[J]. Automotive Engineering, 2025, 47(10): 1872-1884.

图/表 26

图1

图2

图3

图4

图5

表1

图6

表2

表3

图7

图8

图9

图10

图11

图12

表4

图13

图14

图15

图16

图17

图18

图19

图20

图21

图22

参考文献 31

[1]	ZHANG Q， HOU J， HU X， et al. Vehicle parameter identification and road roughness estimation using vehicle responses measured in field tests［J］. Measurement， 2022， 199： 111348.
[2]	杜昭，张文榕，朱兴一.基于网联车辆数据融合的路面平整度评估方法［J］.中国公路学报，2024，37（6）：302-316.
	DU Z， ZHANG W R， ZHU X Y. Road roughness assessment based on fusion of connected-vehicles data ［J］. China Journal of Highway and Transportation，2024，37（6）：302-316.
[3]	WANG R， LIU W， DING R， et al. Switching control of semi-active suspension based on road profile estimation［J］. Vehicle System Dynamics， 2022， 60（6）： 1972-1992.
[4]	SANG Y， YU Q， FANG Y， et al. Smartphone-based IRI estimation for pavement roughness monitoring： a data-driven approach［J］. IEEE Internet of Things Journal， 2024， 11（11）： 19708–19720.
[5]	梁冠群，赵通，王岩，等. 基于 LSTM 网络的路面不平度辨识方法［J］. 汽车工程， 2021， 43（4）： 509-517.
	LIANG G Q， ZHAO T， WANG Y， et al. Road unevenness identification based on LSTM network ［J］. Automotive Engineering，2021，43（4）：509-517.
[6]	李韶华，李健玮，冯桂珍.基于GA-LSTM自适应卡尔曼滤波的路面不平度识别［J］.振动与冲击，2024，43（9）：121-130.
	LI S H， LI J W， FENG G Z. Road roughness recognition based on GA-LSTM adaptive Kalman filtering ［J］. Journal of Vibration and Shock， 2024，43（9）：121-130.
[7]	YAN K， ZHANG Z. Automated asphalt highway pavement crack detection based on deformable single shot multi-box detector under a complex environment［J］. IEEE Access， 2021， 9： 150925-150938.
[8]	HOU Y， SHI H， CHEN N， et al. Vision image monitoring on transportation infrastructures： a lightweight transfer learning approach［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 24（11）： 12888-12899.
[9]	ZHANG Z， LIU F， HUANG Y， et al. Detection and statistics system of pavement distresses based on street view videos［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（10）： 15106-15115.
[10]	CHENG H， ZHANG B， ZHONG Y， et al. Quantitative pixel-level segmentation and 3D reconstruction of concealed cracks in asphalt pavements［J］. IEEE Transactions on Intelligent Transportation Systems， 2024， 25（11）： 18136-18152.
[11]	王雪玮，李思渊，梁晓，等.基于结构重参数化与自适应注意力的复杂路面快速识别模型［J］.中国公路学报，2024，37（3）：245-258.
	WANG X W， LI S Y， LIANG X， et al. A fast identification model for complex pavement based on structural reparameterization and adaptive attention ［J］. China Journal of Highway and Transportation， 2024，37（3）：245-258.
[12]	王海，李建国，蔡英凤，等.基于激光雷达点云的动态驾驶场景多任务分割网络［J］.汽车工程，2024，46（9）：1608-1616.
	WANG H， LI J G， CAI Y F， et al. A lidar-based dynamic driving scene multi-task segmentation network ［J］. Automotive Engineering， 2024，46（9）：1608-1616.
[13]	XIONG H， ZHU T， LIU Y， et al. Road-model-based road boundary extraction for high definition map via lidar［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（10）： 18456-18465.
[14]	CHEN T H， CHANG T S. RangeSeg： range-aware real time segmentation of 3D LiDAR point clouds［J］. IEEE Transactions on Intelligent Vehicles， 2021， 7（1）： 93-101.
[15]	李思纯，王建军，宋伟润，等.无人驾驶扫地机道路可行驶区域的融合提取研究［J］.仪器仪表学报，2024，45（12）：190-200.
	LI S C， WANG J J， SONG W R， et al. Fusion extraction of road drivable area for unmanned sweepers ［J］. Chinese Journal of Scientific Instrument， 2024，45（12）：190-200.
[16]	马新江，岳东杰，沈月千，等.基于车载激光点云的路面坑槽检测方法［J］.中国激光，2024，51（5）：190-203.
	MA X J， YUE D J， SHEN Y Q， et al. Pavement pothole detection method based on vehicle-mounted laser point cloud［J］. Chinese Journal of Lasers，2024，51（5）：190-203.
[17]	GUO Y， WANG H， HU Q， et al. Deep learning for 3D point clouds： a survey［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2020， 43（12）： 4338-4364.
[18]	ZHAO T， GUO P， HE J， et al. A hierarchical scheme of road unevenness perception with lidar for autonomous driving comfort［J］. IEEE Transactions on Intelligent Vehicles， 2023， 9（1）： 2439-2448.
[19]	SHAN Y， FU Y， CHEN X， et al. LiDAR based traversable regions identification method for off-road UGV driving［J］. IEEE Transactions on Intelligent Vehicles， 2023， 9（2）： 3544-3557.
[20]	卢才武，薛佳楠，李萌，等.基于露天矿三维点云的非结构化道路语义分割方法［J］.煤炭学报，2024，49（S2）：1295-1309.
	LU C W， XUE J N， LI M， et al. Unstructured road semantic segmentation method based on 3D point cloud of open pit mine ［J］. Journal of China Coal Society， 2024，49（S2）：1295-1309.
[21]	QI C R， YI L， SU H， et al. Pointnet++： deep hierarchical feature learning on point sets in a metric space［J］. Advances in Neural Information Processing Systems， 2017， 30.
[22]	王章宇，陈阳，周彬，等.一种面向非结构化道路的点云语义分割方法［J］.北京航空航天大学学报，2025，51（2）：457-465.
	WANG Z， CHEN Y， ZHOU B， et al. A point cloud semantic segmentation method for unstructured roads［J］. Journal of Beijing University of Aeronautics and Astronautics， 2025， 51（2）： 457-465.
[23]	伍文广，田双岳，张志勇，等. 非铺装道路凹凸不平特征语义分割方法研究［J］. 汽车工程， 2023， 45（8）： 1468-1478.
	WU W G， TIAN S Y， ZHANG Z Y， et al. Research on semantic segmentation of uneven features of unpaved road ［J］.Automotive Engineering， 2023， 45（8）： 1468-1478.
[24]	LIN T. Focal loss for dense object detection［J］. arXiv preprint arXiv：， 2017.
[25]	LIU Z， WANG Y， VAIDYA S， et al. KAN： Kolmogorov-arnold networks［J］. arXiv preprint arXiv：， 2024.
[26]	ARMENI I， SENER O， ZAMIR A R， et al. 3D semantic parsing of large-scale indoor spaces［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 1534-1543.
[27]	DAI A， CHANG A X， SAVVA M， et al. ScanNet： richly-annotated 3D reconstructions of indoor scenes［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 5828-5839.
[28]	QI C R， SU H， MO K， et al. PointNet： deep learning on point sets for 3D classification and segmentation［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 652-660.
[29]	ZHAO H， JIANG L， JIA J， et al. Point transformer［C］. Proceedings of the IEEE/CVF International Conference on Computer Vision， 2021： 16259-16268.
[30]	MA X， QIN C， YOU H， et al. Rethinking network design and local geometry in point cloud： a simple residual MLP framework［J］. arXiv preprint arXiv：， 2022.
[31]	XU M， ZHANG J， ZHOU Z， et al. Learning geometry-disentangled representation for complementary understanding of 3D object point cloud［C］. Proceedings of the AAAI Conference on Artificial Intelligence， 2021， 35（4）： 3056-3064.

类型	标签	最大幅值范围（深度为负，高度为正）/m	占比/%
平缓路面	0	-0.05~0.05	86.9
小凸起	1	0.05~0.15	1.6
较小凸起	2	0.15~0.25	1.7
较大凸起	3	0.25~0.35	1.6
大凸起	4	>0.35	1.7
小凹坑	5	-0.15~-0.05	1.6
较小凹坑	6	-0.25~-0.15	1.6
较大凹坑	7	-0.35~-0.25	1.6
大凹坑	8	<-0.35	1.6

项目	参数	数值
训练相关	样本数量	3 500
	批尺寸	16
	训练轮次	251
	初始学习率	0.001
	学习衰减步长	20
	学习衰减率	0.5
	采样点数量	4 200

算法模型	mIoU/%	OA/%	mAcc/%	P	R	模型体积/MB
PointNet	55.2	89.4	56.9	68.9	56.9	95.5
PointNet++（ssg）	72.4	94.6	73.0	78.8	73.0	16.2
Point Transformer	73.6	94.4	73.3	79.0	73.7	222.0
PointMLP	73.7	96.2	71.2	80.1	71.8	192.0
GDANet	75.3	96.0	73.7	82.4	73.7	6.8
PointNet++（msg）	78.0	95.5	79.4	79.7	75.1	20.2
本文方法	83.7	96.4	80.4	85.0	81.5	27.1

实验序号	感受野缩小	焦点损失函数	KAN 网络	mAcc / %	mIoU / %
1				79.4	78.0
2	√			79.6	80.6
3		√		79.5	80.3
4			√	79.7	80.8
5	√	√		80.1	81.6
6	√		√	80.0	82.5
7		√	√	80.2	82.1
8	√	√	√	80.4	83.7