在Autoware中使用PointPillars的模型训练及更优模型获取方法咨询

• 前期准备
  • 数据集优先选择和你所用车载激光雷达同型号、同应用场景的标注数据，也可混合KITTI、nuScenes等公开数据集做域适配，标注类别要和Autoware的感知输出需求对齐，常见类别包含机动车、非机动车、行人、交通锥等，统一点云的坐标系、线束分布、强度范围，和实际车载传感器的输出格式保持一致。
  • 训练环境直接使用Autoware官方配套的mmdet3d训练分支，避免后续模型转换出现算子不兼容问题，训练端的PyTorch、CUDA版本要和Autoware部署端的TensorRT、ONNX版本严格匹配，避免推理阶段出现不必要的精度损失。
• 训练调优流程
  1. 加载Autoware官方通用预训练权重作为初始值，不要随机初始化，可大幅降低模型收敛时间，同时避免适配性问题
  2. 针对实际场景调整Anchor参数：城市场景可适当调小行人、非机动车的Anchor尺寸，高速场景可扩大机动车的Anchor长宽范围
  3. 训练阶段先冻结Backbone部分训练2_{3个epoch，再放开全网络训练10}15个epoch，初始学习率设置为0.0001，每5个epoch衰减50%
  4. 训练完成且离线验证mAP达标后，使用Autoware提供的pointpillar2onnx脚本转换为ONNX格式，再转成对应部署端的TensorRT Engine；如果开启INT8量化，必须使用自有场景数据做校准，避免量化导致精度下降
     *注意：训练时的点云预处理逻辑必须和Autoware部署端的预处理逻辑完全对齐，包括体素尺寸、点云裁剪的XYZ范围、点强度归一化参数，否则会出现训练精度很高但部署推理效果极差的问题。

• Autoware社区贡献模型库：社区版块有大量不同场景、不同激光雷达型号适配的预训练模型，覆盖16线、32线、128线等常见车载雷达，均为社区用户实际落地验证过的，精度普遍比通用预训练模型高30%以上
• 激光雷达厂商适配模型：大部分量产车载激光雷达厂商都会提供适配Autoware的PointPillars预训练模型，均基于该型号雷达的大量实采数据训练，适配性和精度表现都更优
• 定制化训练：如果是矿区、港口、封闭园区这类非公开道路特殊场景，可以找有Autoware适配经验的团队做定制化训练，数据集、模型参数都可以针对性调优，适配效果最好

内容的提问来源于stack exchange，提问作者任浩杰