HARP-NeXt：面向 3D LiDAR 语义分割的高速精准范围-点融合网络
计算机视觉与模式识别
2025-10-09 v1 机器人学
摘要
LiDAR 语义分割是自动驾驶车辆和移动机器人中的关键任务，要求具备高精度和实时处理能力，尤其在资源受限的嵌入式系统上。以往的最先进方法常在精度与速度之间存在权衡。基于点的模型和稀疏卷积模型精度高但慢，因邻域搜索和 3D 卷积复杂度大；基于投影的模型更快，但在 2D 投影过程中丢失关键几何信息。此外，许多近期方法依赖测试时数据增强 (TTA) 以提升性能，进一步延缓推理速度。此外，所有方法的预处理阶段都增加了执行时间，对嵌入式平台构成负担。因此，我们引入 HARP-NeXt，一个高速且精准的 LiDAR 语义分割网络。我们首先提出一种新型预处理方法，显著降低计算开销。随后，我们设计 Conv-SE-NeXt 特征提取模块，以高效方式捕获表征，无需在每个网络阶段中进行深层堆叠。我们还采用多尺度范围-点融合主干网络，利用多层次信息保留关键几何细节，从而提升精度。在 nuScenes 和 SemanticKITTI 基准测试上实验表明，HARP-NeXt 在速度-精度之间实现了优异的权衡，无需集成模型或 TTA，即可与排名靠前的 PTv3 持平，同时快 。代码已公开于 https://github.com/SamirAbouHaidar/HARP-NeXt。
引用
@article{arxiv.2510.06876,
title = {HARP-NeXt: High-Speed and Accurate Range-Point Fusion Network for 3D LiDAR Semantic Segmentation},
author = {Samir Abou Haidar and Alexandre Chariot and Mehdi Darouich and Cyril Joly and Jean-Emmanuel Deschaud},
journal= {arXiv preprint arXiv:2510.06876},
year = {2025}
}
备注
Accepted at IROS 2025 (IEEE/RSJ International Conference on Intelligent Robots and Systems)