该示例为参考算法，仅作为在J6上模型部署的设计参考，非量产算法

简介

在自动驾驶感知系统中，激光雷达（LiDAR）凭借直接测距、不受光照影响的优势，是3D目标检测的重要传感器。LiDAR 3D 检测通常先将无序点云体素化（voxel/pillar 化）为规则的伪图像表征，再通过2D卷积网络提取特征并完成检测框的回归与分类，代表性方法包括 VoxelNet、PointPillars、CenterPoint 等。

PointPillars 提出了一种改进版本的点云表征方法 Pillar，可以将点云转换成伪图像进而通过2D卷积实现目标检测，是 LiDAR 3D 检测的经典一阶段方法。本参考算法基于 PointPillars 公版，针对征程6平台的计算特性做了定制化修改（见下文「地平线部署说明」）。

性能精度指标

该性能指标基于以下配置测得：

公版模型介绍

pointpillar model structure

PointPillars整个网络结构分为三个部分：

• Pillar Feature Net：将输入的点云转换为稀疏的Pseudo image

• Backbone:处理Pseudo image得到高层的特征

• Detection Head:检测和回归3D框

地平线部署说明

PointPillars 在地平线平台上部署的改动点为：

1. 前处理 point encoder部分，仅使用4维（官方9维），并做归一化处理，耗时减小4ms；精度表现: 浮点相比官方几乎不掉点（官方浮点77.42），但是对量化训练更友好；

2. PillarFeatutreNet 中的 PFNLayer 使用 Conv2d + BathNorm2d + ReLU，替换原有的 Linear + BatchNorm1d + ReLU，便于模型量化；

3. PillarFeatutreNet 中的 PFNLayer 使用 MaxPool2d，替换原有的 torch.max，便于性能的提升；

4. Scatter过程使用horizon_plugin_pytorch的point_pillars_scatter，便于模型推理优化，逻辑与公版相同。

说明： 本文档对应模型为 pointpillars_kitti_car，核心实现位于 heal/models/task_modules/pointpillars/ 与 heal/models/task_modules/lidar/pillar_encoder.py，下文涉及改动点的配置均出自 configs/pointpillars_kitti_car/。

下面将部署优化对应的改动点以及量化配置依次说明。

性能优化

改动点1：

改动点2：

PillarFeatureNet 中的 PFNLayer 使用 Conv2d + BatchNorm2d + ReLU，替换原有的 Linear + BatchNorm1d + ReLU，便于模型量化。该算法主要实现将点云数据的shape (1,D,P,N)经过pfn_layers后变换为(1,1,P,C)。

改动点3：

PillarFeatureNet 中的 PFNLayer 使用 MaxPool2d，替换原有的 torch.max，便于性能的提升。

说明：对应代码见上文 PFNLayer 的 self.max_pool(x)。

改动点4：

Scatter 过程使用 horizon_plugin_pytorch 的 point_pillars_scatter，便于模型推理优化，逻辑与公版相同。该层实现伪图像转换的最后一个步骤：将 P 转化为（W, H），最终通过映射获得形如（C, H, W） 的伪图像，见上图。

Scatter实现代码在horizon_plugin_pytorch下实现，见代码：

精度优化

浮点精度

PointPillars 在浮点层面未做独立的结构性精度优化改动，部署改动点（见上文「性能优化」）以量化友好与性能为导向：

• 改动点1将 point encoder 由 9 维降至 4 维并做归一化，浮点相比官方几乎不掉点（官方浮点 77.42），同时为量化训练提供更好的初始化；

• 改动点2将 PFNLayer 由 Conv2d + BatchNorm2d + ReLU，替换原有的 Linear + BatchNorm1d + ReLU，浮点精度保持一致，主要收益在量化友好性。

其余 backbone（SECONDNeck）、Detection Head、Loss 等结构与公版逻辑一致，未做影响浮点精度的改动。

量化精度

量化配置要点：

• 点云为归一化后的输入，更利于量化。

• 全局默认 qint8（ModuleNameTemplate({"": qint8})），Conv 输入/权重均为 qint8；matmul 输入为 [qint8, qint16]。
• Calibration 使用 MSEObserver，QAT 使用 MinMaxObserver；QAT 阶段 fix_scale=True 将激活 scale 冻结在 calib 值，便于收敛。

总结与建议

部署建议

• 点云输入维度 仅使用 4 维相比官方 9 维可减少前处理耗时，在精度允许的前提下优先采用更低维度。

• PFNLayer 使用Conv2d + BatchNorm2d + ReLU，替换原有的 Linear + BatchNorm1d + ReLU，便于量化与算子融合，量化友好性较好，通常无需对中间算子额外配置 int16。

• Scatter 过程使用 horizon_plugin_pytorch 的 point_pillars_scatter，便于推理优化。

• PFNLayer 的 pooling 用 MaxPool2d 替代 torch.max，便于性能提升。

• 点云归一化后再输入更有利于模型量化。如私有数据集出现量化掉点，可对敏感算子补充 int16/固定 scale 配置，并配合精度 debug、敏感度分析工具定位。

附录

1. 论文：https://arxiv.org/abs/1812.05784

2. 公版代码：https://github.com/traveller59/second.pytorch

3. 参考算法官网（modellabs）：https://（待发布）