汽车与交通学院青年教师尹嘉诚在SCI一区TOP期刊发表自动驾驶感知领域创新成果

近日，汽车与交通学院青年教师尹嘉诚联合校内外科研人员，以第一作者身份在人工智能与模式识别领域国际顶级期刊《Pattern Recognition》（最新影响因子9.1，中科院SCI一区TOP、JCR Q1）发表高水平研究论文。论文题为“MSCD: Multi-step conditional diffusion for cross-view LiDAR point cloud semantic segmentation”（MSCD：一种用于跨视角 LiDAR 点云语义分割的多步条件扩散网络），研究首次将多步条件扩散模型创新性应用于激光雷达（LiDAR）点云语义分割领域，提出全新MSCD算法框架，有效突破现有技术瓶颈，大幅提升自动驾驶三维环境感知的精度与实时性，为智能驾驶感知技术迭代升级提供了新方案。

论文截图

当前，自动驾驶与智能感知技术飞速迭代，激光雷达点云语义分割作为三维场景理解的核心核心技术，是高阶自动驾驶精准感知、安全决策的重要基础。其中，范围视图表示方法凭借高效的计算优势，成为该领域的主流技术路线。但现有主流方法多依赖三维点云向二维平面的确定性映射机制，无法精准建模不同视角下的特征分布差异。同时，投影过程极易引发空间离散化、上下文信息丢失等问题，进而造成几何结构不稳定、语义信息与结构信息相互干扰等缺陷，严重制约了点云分割精度的提升，难以满足高阶自动驾驶对感知系统高精度、高实时性的双重严苛要求。

针对上述行业共性技术难题，研究团队立足生成式建模创新思路，构建了融合多步条件扩散与双向特征路由的MSCD语义分割框架。该框架针对性解决了传统范围视图方法存在的结构稳定性差、上下文信息缺失、跨视角特征适配性不足等行业痛点，通过精细化建模多视角特征变化规律，优化点云投影与特征提取逻辑，显著强化了三维场景语义分割的准确性与鲁棒性，完美适配自动驾驶场景的实时感知需求。

此次研究成果是跨视图激光雷达点云语义分割领域的重要突破性进展，创新性开辟了三维点云与二维表示之间特征分布差异问题的全新解决路径，丰富了生成式模型在智能感知领域的应用体系。作为模式识别领域权威TOP期刊，《Pattern Recognition》在全球计算机视觉、机器学习与智能感知领域具有极高学术影响力。本次成果的发表，充分彰显了我校汽车与交通学院在智能交通、自动驾驶感知领域扎实的科研实力与前沿创新能力。未来，随着MSCD框架的持续优化与落地推广，该技术有望广泛应用于自动驾驶、智能机器人、智慧城市感知等多个重点领域，为智能交通产业高质量发展注入技术动能。