CASA三维目标检测入门指南：从算法原理到实战部署

1次阅读

共计 1588 个字符，预计需要花费 4 分钟才能阅读完成。

在自动驾驶、机器人导航这些领域，光靠二维图像就像戴着墨镜看世界——只能看到平面信息。三维目标检测通过处理激光雷达的点云数据，能准确获取物体的位置、大小甚至朝向。但点云数据稀疏、不均匀的特点，让传统 CNN 直接处理就像用渔网装沙子，效果大打折扣。

CASA 采用层级式特征学习，就像先看森林再看树木：

体素化处理：把不规则点云切分成小立方体（体素），每个体素内点云坐标归一化处理
3D 稀疏卷积：用带空洞卷积的 UNet 结构，既保留细节又扩大感受野
特征融合模块：将不同层级的特征图拼接，类似望远镜 + 显微镜的组合视角

区别于 YOLO3D 的固定锚框，CASA 的候选框生成有两大创新：

自适应角度预测：将方向角分解为 sin/cos 分量，避免 360°周期性问题
IOU-guided 损失函数：让网络更关注难样本，提升小物体检测效果

# 点云预处理典型流程
class Voxelizer:
    def __init__(self, voxel_size=[0.1, 0.1, 0.1]):
        self.voxel_size = np.array(voxel_size)

    def __call__(self, points: np.ndarray) -> Tuple[torch.Tensor, torch.Tensor]:
        # 计算每个点所属的体素坐标
        voxel_coords = np.floor(points[:, :3] / self.voxel_size).astype(np.int32)
        # 返回体素特征和坐标
        return torch.from_numpy(points), torch.from_numpy(voxel_coords)

class CASABackbone(nn.Module):
    def __init__(self):
        super().__init__()
        # 稀疏卷积配置（stride= 2 下采样）self.conv1 = spconv.SparseConv3d(4, 64, kernel_size=3, stride=2)  
        self.bn1 = nn.BatchNorm1d(64)  # 注意是 1D BN

    def forward(self, x: spconv.SparseConvTensor) -> torch.Tensor:
        x = self.conv1(x)
        x.features = self.bn1(x.features)  # 特征维度做 BN
        return x

学习率热身：前 500iter 线性增加学习率，避免初期震荡
动态体素化：根据 GPU 显存自动调整体素分辨率
困难样本挖掘：对低 IOU 预测框进行加权损失计算

将稀疏卷积转为密集卷积 + 掩码操作
使用 FP16 量化时注意保持 BN 层精度
对 ROI Align 操作使用插件实现

方案	推理时延	准确率(mAP)
原始 PyTorch	120ms	78.2%
TensorRT-FP32	45ms	77.9%
TensorRT-FP16	28ms	77.1%

症状	可能原因	解决方案
训练 loss 震荡	学习率过高 / 体素尺寸过大	减小 lr 至 1e-4，体素尺寸调为 0.05m
预测框偏移	点云强度值未归一化	将强度值缩放至 [0,1] 范围
显存不足	点云采样数量过多	限制单帧点云数≤16000