近日，国际学术会议Neural Information Processing Systems (NeurIPS 2020)、AAAI Conference on Artificial Intelligence (AAAI-2021)和国际顶级学术期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（TPAMI）连续发表我院最新研究成果。其中NeurIPS 2020和AAAI 2021是人工智能领域国际顶级学术会议，TPAMI是计算机学科领域最顶级的国际期刊，其影响因子为17.861。

      发表于NeurIPS 2020的论文《RSKDD-Net: Random Sample-based Keypoint Detector and Descriptor》第一作者为一年级博士研究生卢凡，通讯作者是其导师陈广研究员。本文提出了一种针对大规模激光雷达点云的基于深度学习的关键点和描述子提取方法。关键点和描述子的提取是点云配准的重要组成部分，然而此前的基于深度学习的关键点和描述子提取方法由于其时间复杂度较高难以被实时应用于大规模激光雷达点云中。本文通过引入随机采样的思想以大幅减少算法的运行时间，并提出了随机扩张聚类及匹配损失等模块以降低随机采样所带来的负面影响。该方法在达到了现有的基于深度学习的算法的精度的同时，其运行速度比现有算法快15倍以上。该方法的高效性使得其可以被应用于自动驾驶汽车的定位与建图系统中以提高现有系统的精度与运算速度。该论文的第一作者在投稿阶段为汽车学院本科学生，是我院在本科学生学术研究和科研创新能力培养的标志性成果。

      发表于AAAI 2021的论文《PointINet: Point Cloud Frame Interpolation Network》第一作者为一年级博士研究生卢凡，通讯作者是其导师陈广研究员。本文提出了一种基于深度学习的激光雷达点云插帧算法。现有的机械式的激光雷达传感器由于受到硬件限制，其帧率一般在10Hz到20Hz之间，该帧率通常低于自动驾驶汽车中的其他传感器如相机、惯性测量单元等。因此，本文提出了一个新的任务名为点云插帧，该任务旨在生成两帧点云间的中间几帧点云。本文针对该任务提出了一种点云插帧算法，该算法通过融合前后两帧点云的信息以有效的生成中间帧点云，从而大幅提高现有的激光雷达所输出的点云流的帧率，使其可以更好的与其他相对帧率较高的传感器相匹配。

      发表于TPAMI的论文《Globally Optimal Vertical Direction Estimation in Atlanta World》通讯作者为汽车学院陈广研究员，合作单位为德国慕尼黑工业大学Alois Knoll教授课题组。本文提出了基于亚特兰大世界假设的垂直框架全局最优估计策略，使用了四种不同的分支定界方法衡量了该全局方法的有效性和鲁棒性。亚特兰大世界是对现实中结构化场景水平面和垂直平面的一种建模，将这些平面的法线提取出来可以高效地抽象出场景。现有的许多亚特兰大垂直框架估计方法使用聚类策略，由于离群点的存在会大大降低精度，而本文的分支定界方法旨在搜索出全局最优结果。此外本文提出更加紧密的定界策略，大大减少了分支定界方法的运行时间。这种鲁棒高效的方法能够使得亚特兰大框架估计更加精准，从而加强其在自动驾驶视觉领域里的作用，例如场景理解和SLAM。该研究论文是我院和德国顶尖高校开展中德国际合作的标志性成果。

      系列研究成果的发布标志着我院在自动驾驶和人工智能交叉研究领域影响力的逐步提升。本项研究得到了包括国家自然科学基金在内等项目支持。