均匀分布的设计下来，40线雷达在关键区域几乎能等效83线了。”
这显然不容易。
余凯由衷的称赞道：“果然是术业有专攻！”
李一帆这时却是一叹：“但问题也不少，路漫漫其修远兮啊。”
余凯极其体会这句话里的情绪，但他今天在碳硅集团这边遇到意料之外的惊喜，反而颇觉精神振奋，笑着说道：“在路上就很不错，路虽远，行则将至。”
他没有多感慨，直接问了个更为专业的问题：“你们是和碳硅一起做出行方案吗？你们对激光雷达的点云数据是怎么处理的？”
激光雷达每秒会生成超过百万个点云数据，对于这种数据的实时处理是一个关键问题。
李一帆用点头回应第一个问题，随后说道：“碳硅和灵罡成立了联合实验室，我们现在是对点云数据做预处理，先体素化把三维点云转换成稀疏体素网格，降低数据维度。”
“这样使用3DCNN处理，再做多视图投影，把3D点云投影到多个2D视角，再用2DCNN提取特征。”
“余总应该知道激光雷达对计算资源的要求很高，我们目前考虑是用两阶段处理策略，高频低精度的实时位姿估计，低频高精度的全局地图优化，这样就能平衡计算资源和精度需求。”
余凯这会念头转得极快，立即说道：“这样多阶段处理框架下模块间的信息割裂与动态场景适应性不足是很棘手的问题，一个动态场景里，前一帧的点云分割错误就会导致后续帧的目标跟踪轨迹偏移。”
“点云稀疏吧，体素化处理就进一步降低了分辨率，影响目标检测精度，模块处理吧，又会重复计算，计算资源的利用上存在结构问题。”
他看着凝神的李一帆，探讨道：“我觉得还是需要新的深度学习模型，听说斯坦福那边在搞直接处理原始点云的路径，是考虑对称函数建模来解决点云无序性问题。”
李一帆下意识的挑眉：“这就直接改变主流点云处理的技术路径了！”
余凯点头：“是啊，就是不知道能不能搞成，要是能搞成，还是很有里程碑的意义的。”
两人探讨交流的语速很快，聊的又是行业最顶尖的开拓。
俞兴插不上话，只倚在车头前默默抽烟，琢磨余副院长这一趟所能透露的意义。
他知道百度在AI方面的黄埔军校，也考虑过积极的引进，但没感觉到现阶段的迫切需求，不过，从余凯的表现来看
本章未完，请点击下一页继续阅读！