毫米波雷达点云分割模型优化：基于PointNet的改进与性能突破

毫米波雷达点云分割模型优化：基于PointNet的改进与性能突破

1. 问题背景与挑战

毫米波雷达凭借其全天候、低成本、直接测距测速等优势，在自动驾驶、智能感知领域扮演关键角色。然而，毫米波雷达点云具有独特挑战：

• 稀疏性：每帧通常仅有几十到几百个点，远少于激光雷达。
• 多径效应：电磁波经多次反射形成虚假目标，导致点云中存在“鬼影”。
• 噪声高：杂波、干扰等造成大量离群点。
• 语义歧义：点密度低，仅凭几何信息难以区分车辆、行人等类别。

因此，构建一个能同时完成语义分割（区分物体类别）和多径分割（区分真实目标与虚假多径点）的模型，对提升感知系统可靠性至关重要。我们要求模型在两类任务上的平均交并比（mIoU）或准确率达到0.85以上，这需要在PointNet基础上进行深度优化。

2. 数据集假设与预处理

为便于复现，我们假设已有自定义毫米波雷达点云数据集，结构如下：

• 每个样本为：(N, 5)数组，包含[x, y, z, intensity, doppler]。
• 语义标签：(N,)整数，如0背景、1</