适用于自主水面航行器的不确定性感知海洋点云检测器（U-MPCD）

《IEEE Journal of Oceanic Engineering》：Uncertainty-Aware Maritime Point Cloud Detector (U-MPCD) for Autonomous Surface Vehicles

　　自主水面车辆（ASV）在繁忙海事环境中需高效检测船只，LiDAR因尺寸差异、远距离点云稀疏和遮挡问题导致高预测不确定性。提出MPCD模型，通过注意力点特征网络提取局部细节和混合2D骨干网络（MobileViT+CNN）增强全局特征，检测精度提升12.8%。进一步扩展为U-MPCD，融合多输入输出方法估计认知和随机不确定性，精度再增2%，保持15Hz推理速度。实验数据取自伦敦泰晤士河实地测试（6小时/天×4天，11.4公里），涵盖高密度海事交通和多样化船只类型及尺寸。

　　

摘要：

在繁忙且环境复杂的海洋环境中（例如内河航道、港口和码头），自主水面航行器（ASVs）需要强大的感知模块来实现实时船只检测，而激光雷达（LiDAR）是用于环境感知的实用传感器之一。然而，这些环境带来了诸多挑战：船只尺寸差异较大、远距离处的点云数据较为稀疏，以及由于激光雷达的视野受限和周围障碍物的遮挡，导致预测不确定性较高。小型船只依赖于局部特征（如精细的几何细节），而大型船只则需要全局特征（如整体形状和结构连续性）才能实现准确检测。为了解决这些问题，我们提出了海洋点云检测器（MPCD），该检测器结合了基于注意力机制的点特征网络进行柱状级别的局部特征提取，以及一个混合的2D主干网络（该网络将多尺度的MobileViT与2D卷积神经网络相结合），以增强全局特征学习能力，从而将检测准确率提升了12.8%。为了进一步提高可靠性，我们采用了多输入多输出方法对MPCD进行了改进，形成了具有不确定性感知能力的MPCD（U-MPCD）。U-MPCD能够同时估计认知不确定性和随机不确定性，将检测准确率提高了2%，同时保持了15 Hz的推理速度，为ASV的安全导航提供了关键的预测信心信息。我们的模型在伦敦市中心泰晤士河沿岸的真实世界数据集上进行了测试（每天6小时，持续4天，覆盖约11.4公里的区域），该区域具有高密度的海上交通以及多种类型的船只。