劉 春，賈守軍，吳杭彬，黃 煒，鄭 寧，艾克然木·艾克拜爾

1.同濟(jì)大學(xué)測(cè)繪與地理信息學(xué)院，上海 200092；2.同濟(jì)大學(xué)數(shù)學(xué)與科學(xué)學(xué)院，上海 200092

點(diǎn)云數(shù)據(jù)包含三維幾何坐標(biāo)和特定物理屬性，是二維矢量和影像數(shù)據(jù)之后的重要地理信息時(shí)空數(shù)據(jù)，在場(chǎng)景數(shù)據(jù)的三維精細(xì)化觀(guān)測(cè)和場(chǎng)景信息的幾何結(jié)構(gòu)化表達(dá)等場(chǎng)景感知方面具有顯著的優(yōu)勢(shì)[1]。然而，地質(zhì)災(zāi)害態(tài)勢(shì)感知、自然資源定量調(diào)查和道路交通安全服務(wù)等國(guó)家重大戰(zhàn)略需求的應(yīng)用突破，因其高度復(fù)雜、強(qiáng)不確定性、持續(xù)動(dòng)態(tài)演化的場(chǎng)景特性，促使對(duì)場(chǎng)景的理解從感知邁向認(rèn)知[2-4]。場(chǎng)景認(rèn)知是對(duì)物理環(huán)境中客觀(guān)事物本質(zhì)特征和空間關(guān)系的理解，其中，場(chǎng)景數(shù)據(jù)(觀(guān)測(cè)數(shù)據(jù))—場(chǎng)景信息(數(shù)據(jù)特征)—場(chǎng)景知識(shí)(特征關(guān)聯(lián))的全鏈路轉(zhuǎn)化是實(shí)現(xiàn)場(chǎng)景認(rèn)知能力“從現(xiàn)象到本質(zhì)”提升的關(guān)鍵途徑[5-6]。因此，場(chǎng)景觀(guān)測(cè)模式需要從單一點(diǎn)位觀(guān)測(cè)向多線(xiàn)全域觀(guān)測(cè)突破，智能處理算法需要從特征提取為主的人類(lèi)認(rèn)知向能主動(dòng)識(shí)別特征關(guān)聯(lián)的機(jī)器認(rèn)知突破，智能處理算力需要從事后精密計(jì)算處理向?qū)崟r(shí)高效分析處理突破。

近年來(lái)，隨著觀(guān)測(cè)平臺(tái)和傳感器技術(shù)的迅速發(fā)展，點(diǎn)云大數(shù)據(jù)采集裝備已經(jīng)從專(zhuān)業(yè)級(jí)單一化向消費(fèi)級(jí)集成化轉(zhuǎn)變，為點(diǎn)云大數(shù)據(jù)的獲取提供了便捷手段[7]。在點(diǎn)云觀(guān)測(cè)傳感器方面，已經(jīng)形成了以激光雷達(dá)(單波段[8]和多波段[9])和攝影測(cè)量(傳統(tǒng)視覺(jué)相機(jī)[10]、多光譜相機(jī)[11]、偏振相機(jī)[12]、深度相機(jī)[13]和結(jié)構(gòu)光相機(jī)[14]等)為主導(dǎo)，全球衛(wèi)星導(dǎo)航系統(tǒng)(GNSS)和慣性測(cè)量單元(inertial measurement unit，IMU)為輔助的多源傳感器耦合觀(guān)測(cè)模式[15]。同時(shí)，在傳感器搭載平臺(tái)方面已形成從星載、機(jī)載、車(chē)載、無(wú)人移動(dòng)平臺(tái)、仿生機(jī)器人、背包、手持、地基等多尺度、多分辨率和多平臺(tái)協(xié)同觀(guān)測(cè)方式[16]。目前，多傳感器、多平臺(tái)觀(guān)測(cè)形成的高維點(diǎn)云已經(jīng)在智慧城市、自動(dòng)駕駛和實(shí)景三維等諸多領(lǐng)域得到廣泛的應(yīng)用[1，17-19]。然而，高維點(diǎn)云的多時(shí)相、多尺度和多屬性等特性使得單一化、個(gè)性化的點(diǎn)云處理方式難以有效突破智能計(jì)算的算法和算力。

本文圍繞點(diǎn)云場(chǎng)景認(rèn)知的基本框架為主要線(xiàn)索，重點(diǎn)分析了多源點(diǎn)云耦合觀(guān)測(cè)、點(diǎn)云場(chǎng)景認(rèn)知共性處理和重大工程應(yīng)用3個(gè)方面取得的研究進(jìn)展，總結(jié)了點(diǎn)云場(chǎng)景認(rèn)知研究當(dāng)前面臨的主要問(wèn)題，最后面向點(diǎn)云場(chǎng)景認(rèn)知的前沿挑戰(zhàn)及發(fā)展趨勢(shì)提出了“泛化點(diǎn)云”的科學(xué)概念和技術(shù)框架。“泛化點(diǎn)云”是指多傳感器、多尺度、多時(shí)相遙感觀(guān)測(cè)的單一個(gè)性化點(diǎn)云的共性聚合體，在屬性維度上有效融合了個(gè)性化點(diǎn)云的幾何位置、物理屬性和輔助信息，并完成了時(shí)間維度和空間維度的泛化。在具體表現(xiàn)形式上，“泛化點(diǎn)云”將單一個(gè)性化點(diǎn)云的屬性信息進(jìn)行聚合，因而形成了一個(gè)高維點(diǎn)集，即“泛化點(diǎn)云”中每一個(gè)點(diǎn)都具備多尺度、多時(shí)相的空間坐標(biāo)、物理屬性、輔助信息和點(diǎn)云特征。同時(shí)“泛化點(diǎn)云”避開(kāi)傳統(tǒng)歐氏空間的低維局限，利用“高維張量流形空間”進(jìn)行點(diǎn)云的高維屬性表達(dá)，進(jìn)而用于場(chǎng)景認(rèn)知處理。希望能為突破點(diǎn)云場(chǎng)景認(rèn)知的智能處理水平提供新的研究思路。

1 點(diǎn)云場(chǎng)景認(rèn)知的研究進(jìn)展

認(rèn)知場(chǎng)景中存在大量跨域、高維、低秩、稀疏、隱式的信息[20]，這些信息中的知識(shí)，除了具有通用知識(shí)的語(yǔ)義內(nèi)涵和特點(diǎn)之外，還與場(chǎng)景現(xiàn)象或事物的演化過(guò)程密切相關(guān)[21]。同時(shí)，點(diǎn)云觀(guān)測(cè)數(shù)據(jù)存在的海量、散亂、冗余、不完整、弱結(jié)構(gòu)、高動(dòng)態(tài)和密度差異等特性給點(diǎn)云場(chǎng)景認(rèn)知處理帶來(lái)了很大的難度[22-25]。因此，需要以點(diǎn)云觀(guān)測(cè)、數(shù)據(jù)處理和應(yīng)用服務(wù)3個(gè)方面為點(diǎn)云場(chǎng)景認(rèn)知的基本框架(圖1)，在多源點(diǎn)云耦合、點(diǎn)云場(chǎng)景認(rèn)知處理和工程應(yīng)用服務(wù)3個(gè)方面進(jìn)行深入研究，解決認(rèn)知場(chǎng)景的動(dòng)態(tài)觀(guān)測(cè)、快速處理和人機(jī)協(xié)同等核心問(wèn)題，有效支撐場(chǎng)景認(rèn)知的科學(xué)研究和國(guó)家重大戰(zhàn)略需求的應(yīng)用突破。下文分別闡述上述幾方面的主要研究進(jìn)展。

圖1 點(diǎn)云場(chǎng)景認(rèn)知的基本框架

1.1 多源點(diǎn)云耦合觀(guān)測(cè)

由于單一觀(guān)測(cè)平臺(tái)在其有限的觀(guān)測(cè)視角內(nèi)難以獲取目標(biāo)場(chǎng)景完整的點(diǎn)云數(shù)據(jù)，不僅需要進(jìn)行單一平臺(tái)的移動(dòng)或者多站點(diǎn)云拼接，還需要進(jìn)行多視角觀(guān)測(cè)平臺(tái)(如室內(nèi)的地面平臺(tái)、室外的無(wú)人機(jī)等)的點(diǎn)云耦合，以克服單一觀(guān)測(cè)平臺(tái)導(dǎo)致的點(diǎn)云殘缺問(wèn)題，進(jìn)而實(shí)現(xiàn)目標(biāo)場(chǎng)景空間信息的全方位獲取和表達(dá)[26-27]。同時(shí)，一些觀(guān)測(cè)傳感器在特殊的場(chǎng)景下變得失效(如激光掃描難以觀(guān)測(cè)玻璃材質(zhì)的場(chǎng)景目標(biāo))而導(dǎo)致獲取的點(diǎn)云數(shù)據(jù)完整性較低，需要進(jìn)行多源傳感器耦合觀(guān)測(cè)，有效整合多源點(diǎn)云觀(guān)測(cè)傳感器的優(yōu)勢(shì)，使得多源點(diǎn)云能夠完整地描述場(chǎng)景的幾何狀態(tài)[28-29]。此外，通過(guò)將GNSS/IMU和不同點(diǎn)云觀(guān)測(cè)傳感器集成在統(tǒng)一觀(guān)測(cè)平臺(tái)上，并進(jìn)行傳感器觀(guān)測(cè)方程、位置和姿態(tài)信息的聯(lián)合解算，解決點(diǎn)云獲取中的少弱紋理、變化光照、運(yùn)動(dòng)模糊和相似部件等問(wèn)題，實(shí)現(xiàn)目標(biāo)場(chǎng)景三維點(diǎn)云的高效、穩(wěn)健和精確獲取[30-31]。目前，“廣義點(diǎn)云”通過(guò)整合單一傳感器采集點(diǎn)云間的優(yōu)勢(shì)，構(gòu)建基準(zhǔn)統(tǒng)一，且數(shù)據(jù)、結(jié)構(gòu)、功能為一體的復(fù)合點(diǎn)云數(shù)據(jù)模型，解決了點(diǎn)云數(shù)據(jù)單一、質(zhì)量差異大、采樣粒度分布嚴(yán)重不均勻等問(wèn)題[32]。

幾何基準(zhǔn)的統(tǒng)一是多源點(diǎn)云耦合的基礎(chǔ)。點(diǎn)云配準(zhǔn)是恢復(fù)兩個(gè)或多個(gè)位于不同坐標(biāo)系下具有重疊區(qū)域的點(diǎn)云之間的平移和旋轉(zhuǎn)關(guān)系，在此基礎(chǔ)上進(jìn)行多源點(diǎn)云的幾何基準(zhǔn)對(duì)齊[33-34]。因此，點(diǎn)云配準(zhǔn)是多源點(diǎn)云耦合觀(guān)測(cè)的有效手段。目前，點(diǎn)云配準(zhǔn)主要分為基于優(yōu)化和基于特征的方法。基于優(yōu)化的配準(zhǔn)方法是利用迭代優(yōu)化策略來(lái)估計(jì)最優(yōu)變換和對(duì)應(yīng)關(guān)系，主要包括局部?jī)?yōu)化[35-36]和全局優(yōu)化[37-38]。現(xiàn)有的基于優(yōu)化的配準(zhǔn)方法具有較高的理論精度，但需要良好的初始化以縮小啟發(fā)式搜索的參數(shù)空間?；谔卣鞯呐錅?zhǔn)方法是提取特征來(lái)確定點(diǎn)云之間的匹配，然后估計(jì)點(diǎn)云之間的變換關(guān)系，提取的特征主要包括人工設(shè)計(jì)特征[39-41]和深度學(xué)習(xí)特征[42-44]。盡管這些基于特征的方法對(duì)配準(zhǔn)初始化具有穩(wěn)健性，但其理論精度存在一定的局限性。此外，已有的一些研究集成了基于優(yōu)化和基于特征的配準(zhǔn)方法。這些集成方法[45-46]結(jié)合了基于優(yōu)化和基于特征的配準(zhǔn)方法的優(yōu)點(diǎn)，以確保初始化和理論精度，但由于復(fù)雜因素對(duì)點(diǎn)云配準(zhǔn)的準(zhǔn)確性和穩(wěn)健性提出了巨大的挑戰(zhàn)。

多源點(diǎn)云耦合觀(guān)測(cè)能夠?qū)崿F(xiàn)多平臺(tái)、多傳感器之間的優(yōu)勢(shì)互補(bǔ)，然而不同平臺(tái)、不同傳感器之間的觀(guān)測(cè)模式、視角、尺度、精度等存在較大差異，導(dǎo)致獲取的多源點(diǎn)云之間存在密度變化、尺度差異和低重疊度等問(wèn)題，嚴(yán)重影響點(diǎn)云配準(zhǔn)的效果，因而給多源點(diǎn)云耦合帶來(lái)較大的挑戰(zhàn)。此外，單一來(lái)源點(diǎn)云包含的特定物理屬性的種類(lèi)較為單一，而多源點(diǎn)云物理屬性的融合能夠有效提升對(duì)場(chǎng)景目標(biāo)的描述能力。然而，目前多源點(diǎn)云耦合研究多關(guān)注于點(diǎn)云幾何基準(zhǔn)的統(tǒng)一，多源點(diǎn)云物理屬性的融合研究很少。

1.2 點(diǎn)云場(chǎng)景認(rèn)知處理

場(chǎng)景語(yǔ)義認(rèn)知是對(duì)空間場(chǎng)景物理環(huán)境的理解過(guò)程，通過(guò)提取空間場(chǎng)景中實(shí)體要素的特征，并建立特征關(guān)聯(lián)關(guān)系，進(jìn)而揭示場(chǎng)景要素間的關(guān)聯(lián)機(jī)制[25]。因此，點(diǎn)云場(chǎng)景認(rèn)知的核心任務(wù)在于抽象與表征場(chǎng)景信息中的高維時(shí)空關(guān)聯(lián)特征，其中特征提取、關(guān)聯(lián)認(rèn)知、特征學(xué)習(xí)是點(diǎn)云場(chǎng)景認(rèn)知的共性處理技術(shù)，也是從場(chǎng)景特征感知向語(yǔ)義認(rèn)知交互階段邁進(jìn)的關(guān)鍵。

1.2.1 特征提取

點(diǎn)云數(shù)據(jù)特征提取是通過(guò)特征關(guān)鍵點(diǎn)選擇、特征描述子設(shè)計(jì)和特征空間變換映射，描述點(diǎn)云大數(shù)據(jù)中稀疏分布的信息[47]。點(diǎn)云特征能夠有效表達(dá)場(chǎng)景幾何結(jié)構(gòu)和物理狀態(tài)，因而成為點(diǎn)云場(chǎng)景認(rèn)知處理的基礎(chǔ)和前提[48]。目前，點(diǎn)云數(shù)據(jù)特征構(gòu)建的范式是通過(guò)矩陣或者向量計(jì)算，將單個(gè)點(diǎn)實(shí)體對(duì)象進(jìn)行三維坐標(biāo)映射，然后根據(jù)歐氏空間中的分布特性計(jì)算和搜索三維幾何鄰域，實(shí)現(xiàn)點(diǎn)云原始數(shù)據(jù)到特征空間的有效映射[49]。這種范式中，特征的描述可分為基于特征值[50]、基于特征向量[51]、基于點(diǎn)特征直方圖[52]、基于二維視角[53]、基于圖[54]、旋轉(zhuǎn)投影統(tǒng)計(jì)特征描述[55]、二進(jìn)制形狀上下文[56]等形式。然而，這種特征構(gòu)建范式將點(diǎn)云數(shù)據(jù)中包含的高維信息降維為二維矩陣或向量，造成點(diǎn)云數(shù)據(jù)中幾何結(jié)構(gòu)形態(tài)的損失和屬性關(guān)聯(lián)關(guān)系的破壞[57-58]。因此，在特征構(gòu)建過(guò)程中會(huì)造成高維信息的丟失與損壞，從而直接導(dǎo)致場(chǎng)景信息表達(dá)的殘缺與失真。

1.2.2 特征關(guān)聯(lián)

特征關(guān)聯(lián)是通過(guò)提取場(chǎng)景要素的特征，建立特征之間的關(guān)聯(lián)關(guān)系，揭示場(chǎng)景要素與空間全局上下文關(guān)系，進(jìn)而實(shí)現(xiàn)場(chǎng)景認(rèn)知[25,59]。當(dāng)前，點(diǎn)云特征關(guān)聯(lián)方法主要分為間接法和直接法。間接法是將三維點(diǎn)云投影為二維圖像進(jìn)行視覺(jué)影像特征關(guān)聯(lián)，進(jìn)而映射為三維點(diǎn)云的特征關(guān)聯(lián)關(guān)系。典型的視覺(jué)影像特征關(guān)聯(lián)方法有金字塔場(chǎng)景分析網(wǎng)絡(luò)[60]、深度神經(jīng)網(wǎng)絡(luò)[61]、特征感知網(wǎng)絡(luò)[62]等方法。直接法是直接確定三維點(diǎn)云特征的關(guān)聯(lián)關(guān)系，研究進(jìn)展包括通過(guò)場(chǎng)景要素鄰域之間的優(yōu)化迭代獲取場(chǎng)景要素上下文信息[63]，基于三維金字塔模塊的要素關(guān)聯(lián)方法增強(qiáng)要素間多尺度特征的認(rèn)知能力[64]，利用同質(zhì)超體素組織實(shí)體要素上下文信息來(lái)增強(qiáng)場(chǎng)景語(yǔ)義的推理能力[65]。然而，目前點(diǎn)云特征關(guān)聯(lián)研究多依賴(lài)于歐氏空間中幾何特征的實(shí)體信息表達(dá)，難以支撐點(diǎn)云場(chǎng)景要素的有效空間認(rèn)知。因此，有必要在新的特征空間中對(duì)全局、深層、時(shí)空不變的特征進(jìn)行關(guān)聯(lián)研究。

1.2.3 特征學(xué)習(xí)

深度學(xué)習(xí)憑借其優(yōu)良的高層次的語(yǔ)義理解能力，在點(diǎn)云數(shù)據(jù)的場(chǎng)景認(rèn)知上引起了廣泛的關(guān)注[66-67]。目前，根據(jù)深度學(xué)習(xí)模型的不同，點(diǎn)云特征學(xué)習(xí)方法可以分為基于多視圖、基于體素和基于原始點(diǎn)云的方法?；诙嘁晥D的方法是將三維點(diǎn)云投影為二維圖像，進(jìn)而進(jìn)行深度學(xué)習(xí)處理，代表性的模型包括Multiview-CNN[68]和SnapNet[69]?；隗w素的方法是將不規(guī)則的點(diǎn)云進(jìn)行體素規(guī)則化，再輸入神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)處理，代表性的模型有VoxNet[70]和SegCloud[71]。相比于基于多視圖和體素化的間接處理方法，基于原始點(diǎn)云的方法是直接利用原始點(diǎn)云進(jìn)行深度學(xué)習(xí)，避免點(diǎn)云轉(zhuǎn)換帶來(lái)的信息損失，代表性的模型有PointNet[72]和PointNet++[73]。此外，特征聚合的點(diǎn)云深度學(xué)習(xí)方法通過(guò)在學(xué)習(xí)網(wǎng)絡(luò)輸入階段加入手工物理特征，以提升特征學(xué)習(xí)的效果[49]。然而，當(dāng)前點(diǎn)云特征學(xué)習(xí)方法尚存在訓(xùn)練數(shù)據(jù)限制、模型缺乏可解釋性、模型泛化能力不足、運(yùn)算成本高等問(wèn)題。此外，特定任務(wù)驅(qū)動(dòng)的深度學(xué)習(xí)模型不足以實(shí)現(xiàn)高層次特征的準(zhǔn)確描述，還需要開(kāi)展進(jìn)一步深入研究來(lái)支撐場(chǎng)景認(rèn)知。

1.3 點(diǎn)云場(chǎng)景認(rèn)知應(yīng)用

點(diǎn)云場(chǎng)景認(rèn)知在場(chǎng)景耦合觀(guān)測(cè)和智能處理方面取得了較好的研究成果，在智慧城市數(shù)字底座、道路交通安全服務(wù)、基礎(chǔ)設(shè)施健康監(jiān)測(cè)、自然災(zāi)害態(tài)勢(shì)感知、生態(tài)資源定量調(diào)查、文化遺產(chǎn)數(shù)字管理等國(guó)家重要戰(zhàn)略中得到了廣泛應(yīng)用(圖2)，實(shí)現(xiàn)了基礎(chǔ)研究和應(yīng)用研究的有效銜接。

1.3.1 智慧城市數(shù)字底座

點(diǎn)云場(chǎng)景認(rèn)知集成空間數(shù)據(jù)、地理信息、場(chǎng)景知識(shí)，結(jié)合物聯(lián)感知數(shù)據(jù)，為數(shù)字底座信息模型設(shè)計(jì)、數(shù)字底座數(shù)據(jù)治理模式設(shè)計(jì)和數(shù)字底座呈現(xiàn)能力建設(shè)提供多粒度、多層次、多細(xì)節(jié)的空間地理信息模型，在城市精細(xì)化管理、數(shù)字孿生城市建設(shè)、城市安全分析預(yù)警等方面得到廣泛的應(yīng)用[74-76]。

1.3.2 道路交通安全服務(wù)

面向大范圍、多密度、高動(dòng)態(tài)的道路場(chǎng)景，點(diǎn)云場(chǎng)景認(rèn)知通過(guò)識(shí)別、拾取、關(guān)聯(lián)等處理模塊，可以高效、準(zhǔn)確地獲取包含幾何結(jié)構(gòu)、語(yǔ)義信息、拓?fù)溥B通、動(dòng)態(tài)更新的高精度語(yǔ)義地圖，實(shí)現(xiàn)交通路網(wǎng)的智能感知和多維監(jiān)測(cè)，為在途駕駛?cè)思白詣?dòng)駕駛車(chē)輛提供準(zhǔn)確、及時(shí)、直觀(guān)的安全交通策略[77-80]。

1.3.3 基礎(chǔ)設(shè)施健康監(jiān)測(cè)

面向重大基礎(chǔ)設(shè)施服役狀態(tài)監(jiān)測(cè)及精細(xì)運(yùn)維需求，點(diǎn)云場(chǎng)景認(rèn)知能夠高精度獲取結(jié)構(gòu)幾何信息、多層次重構(gòu)表面紋理細(xì)節(jié)、多維度表征健康狀態(tài)指標(biāo)，為大型建筑施工質(zhì)量控制、城市道路關(guān)鍵要素健康檢測(cè)、橋梁健康動(dòng)態(tài)評(píng)估提供快速有效的感知模式，有力支撐基礎(chǔ)設(shè)施健康狀態(tài)科學(xué)診斷和全生命周期防護(hù)[81-84]。

1.3.4 自然災(zāi)害態(tài)勢(shì)感知

在自然災(zāi)害態(tài)勢(shì)感知方面，點(diǎn)云場(chǎng)景認(rèn)知能夠高效、精準(zhǔn)、及時(shí)地獲取不良地質(zhì)體的三維模型，基于多時(shí)相三維模型計(jì)算不良地質(zhì)體的形變和位移數(shù)據(jù)，分析不良地質(zhì)體的態(tài)勢(shì)演化規(guī)律，進(jìn)而揭示自然災(zāi)害觸發(fā)機(jī)制，為自然災(zāi)害區(qū)域的快速定位、搶險(xiǎn)救援、風(fēng)險(xiǎn)評(píng)估及災(zāi)害預(yù)警等提供關(guān)鍵支撐[85-87]。

1.3.5 生態(tài)資源定量調(diào)查

點(diǎn)云場(chǎng)景認(rèn)知通過(guò)點(diǎn)云耦合觀(guān)測(cè)、三維結(jié)構(gòu)信息精確獲取、生態(tài)參數(shù)定量反演、空間格局動(dòng)態(tài)演化分析，實(shí)現(xiàn)對(duì)生態(tài)資源的全方位、多層次、精細(xì)化、智能化的狀態(tài)認(rèn)知，大幅度地提升了自然資源定量調(diào)查的工作效率，為保護(hù)生態(tài)自然資源的可持續(xù)發(fā)展政策制定提供科學(xué)支撐[88-91]。

1.3.6 文化遺產(chǎn)數(shù)字管理

點(diǎn)云場(chǎng)景認(rèn)知能夠通過(guò)實(shí)際數(shù)據(jù)采集、處理和重構(gòu)，為文化遺產(chǎn)的高精度三維建模、數(shù)字化存儲(chǔ)、虛擬化修復(fù)、可視化展示、網(wǎng)絡(luò)化傳播提供可靠的、完整的、精確的數(shù)據(jù)信息資源，顯著提升了文化遺產(chǎn)管理的工作效率和質(zhì)量，為文化遺產(chǎn)修復(fù)、重建和后續(xù)的研究工作提供了寶貴的資源[92-95]。

點(diǎn)云認(rèn)知已在許多重大工程和典型領(lǐng)域里得到了廣泛的應(yīng)用。然而，隨著應(yīng)用場(chǎng)景的復(fù)雜性、不確定性、動(dòng)態(tài)演化性不斷增加，點(diǎn)云場(chǎng)景的認(rèn)知處理算法仍需加強(qiáng)多類(lèi)別、多層次、多維度點(diǎn)云特征的融合、提取、關(guān)聯(lián)、學(xué)習(xí)等方面的研究。同時(shí)，為了滿(mǎn)足認(rèn)識(shí)場(chǎng)景的動(dòng)態(tài)觀(guān)測(cè)、快速處理、應(yīng)急建圖、人機(jī)協(xié)同等技術(shù)應(yīng)用需求，需要進(jìn)一步提升點(diǎn)云認(rèn)知處理的算力。

2 點(diǎn)云場(chǎng)景認(rèn)知的當(dāng)前挑戰(zhàn)

在點(diǎn)云耦合觀(guān)測(cè)、認(rèn)知共性處理和認(rèn)知應(yīng)用需求的多重驅(qū)動(dòng)下，點(diǎn)云數(shù)據(jù)的完整性、時(shí)效性和顆粒度顯著提升，進(jìn)而產(chǎn)生了多時(shí)相、多尺度和多屬性的高維點(diǎn)云[1]。高維點(diǎn)云蘊(yùn)含豐富的場(chǎng)景信息，不僅描述了場(chǎng)景的三維空間結(jié)構(gòu)特征，而且包含了具有通用知識(shí)的事實(shí)型、規(guī)則型、決策型語(yǔ)義內(nèi)涵及具有特定的時(shí)空特征，這些信息與場(chǎng)景的動(dòng)態(tài)演化過(guò)程密切相關(guān)。盡管目前點(diǎn)云認(rèn)知研究已經(jīng)取得了一系列先進(jìn)的成果，然而如何在有效的認(rèn)知空間中對(duì)高維點(diǎn)云進(jìn)行客觀(guān)表征和高效處理，挖掘場(chǎng)景中深層次的信息并建立實(shí)體、語(yǔ)義、事件之間的關(guān)聯(lián)關(guān)系，是智能獲取場(chǎng)景知識(shí)面臨的新挑戰(zhàn)。

2.1 高維點(diǎn)云的屬性聚合

時(shí)空基準(zhǔn)的統(tǒng)一是多源點(diǎn)云聚合的基礎(chǔ)，而多平臺(tái)、多傳感器、多時(shí)相耦合觀(guān)測(cè)導(dǎo)致的點(diǎn)云密度變化、尺度差異和低重疊度等問(wèn)題給多源點(diǎn)云基準(zhǔn)統(tǒng)一帶來(lái)了較大的挑戰(zhàn)。因此，需要揭示多來(lái)源點(diǎn)云的誤差分布和傳播規(guī)律，研究穩(wěn)健的點(diǎn)云配準(zhǔn)方法，同時(shí)研究多尺度點(diǎn)云特征融合方法，實(shí)現(xiàn)多源點(diǎn)云的高維屬性有效聚合和多維表達(dá)。

2.2 高維點(diǎn)云的智能處理算法

傳統(tǒng)歐氏空間中，多源屬性聚合產(chǎn)生的高維點(diǎn)云數(shù)據(jù)對(duì)物理環(huán)境感知的理論與方法因其本質(zhì)上的局限而制約對(duì)物理環(huán)境的有效認(rèn)知。因此，針對(duì)高維點(diǎn)云數(shù)據(jù)，需要突破傳統(tǒng)認(rèn)知空間的局限來(lái)探索對(duì)物理環(huán)境的有效認(rèn)知空間，需要從數(shù)學(xué)描述和物理解釋上去構(gòu)造有效認(rèn)知空間，并探索有效認(rèn)知空間下特征提取、關(guān)聯(lián)、學(xué)習(xí)的認(rèn)知機(jī)制。

2.3 高維點(diǎn)云的智能處理算力

盡管多平臺(tái)、多傳感器耦合觀(guān)測(cè)產(chǎn)生的高維點(diǎn)云能夠聚合更多的場(chǎng)景信息，然而點(diǎn)云數(shù)據(jù)的存儲(chǔ)容量顯著增加，給場(chǎng)景認(rèn)知處理的效率帶來(lái)了更大的挑戰(zhàn)。因此，需要探索點(diǎn)云大數(shù)據(jù)的儲(chǔ)存與組織機(jī)制，研究高維點(diǎn)云學(xué)習(xí)加速方法，研發(fā)點(diǎn)云大數(shù)據(jù)的高并發(fā)計(jì)算優(yōu)化技術(shù)，突破海量高維點(diǎn)云數(shù)據(jù)的運(yùn)算限制，全面提升點(diǎn)云場(chǎng)景認(rèn)知處理的算力。

3 泛化點(diǎn)云的場(chǎng)景認(rèn)知模式

面向自然災(zāi)害感知、道路交通安全、自然資源監(jiān)測(cè)等國(guó)家重大戰(zhàn)略需求應(yīng)用的前沿挑戰(zhàn)，點(diǎn)云場(chǎng)景認(rèn)知亟須從場(chǎng)景特征感知向場(chǎng)景語(yǔ)義認(rèn)知進(jìn)行關(guān)鍵突破，因而以需求導(dǎo)向提升點(diǎn)云智能處理的算法和算力是未來(lái)研究的重要課題。為此，本文提出“泛化點(diǎn)云”科學(xué)概念(圖3)，把多時(shí)相、多尺度和多屬性的點(diǎn)云屬性信息聚合形成一個(gè)高維點(diǎn)云數(shù)據(jù)集，避開(kāi)傳統(tǒng)歐氏空間的低維局限，進(jìn)而轉(zhuǎn)換到“高維張量流形空間”中進(jìn)行認(rèn)知處理，這一學(xué)術(shù)思想是對(duì)傳統(tǒng)在歐氏空間對(duì)點(diǎn)云進(jìn)行降維處理的補(bǔ)充。

圖3 泛化點(diǎn)云的科學(xué)概念

“泛化點(diǎn)云”是指由多傳感器、多尺度、多時(shí)相遙感觀(guān)測(cè)點(diǎn)云的聚合，是點(diǎn)云在來(lái)源、時(shí)間和空間維度的泛化，具備幾何位置、物理屬性和輔助信息的高維點(diǎn)集的有效統(tǒng)一，通過(guò)特征提取、特征關(guān)聯(lián)、特征學(xué)習(xí)和運(yùn)算加速等共性處理，可挖掘場(chǎng)景的要素狀態(tài)、語(yǔ)義關(guān)聯(lián)、事件演化、場(chǎng)景變化等知識(shí)。在具體表現(xiàn)形式上，“泛化點(diǎn)云”將單一個(gè)性化點(diǎn)云的屬性信息聚合成一個(gè)高維點(diǎn)集，其中每一個(gè)點(diǎn)都具備多尺度、多時(shí)相的空間坐標(biāo)、物理屬性、輔助信息和點(diǎn)云特征，同時(shí)利用高維張量進(jìn)行點(diǎn)云高維屬性的數(shù)學(xué)表達(dá)。“高維張量流形空間”是傳統(tǒng)低維歐氏空間的高維拓展，是高維點(diǎn)云數(shù)據(jù)的自然表達(dá)載體。在“高維張量流形空間”，泛化點(diǎn)云的屬性信息能夠得到完整和準(zhǔn)確地表達(dá)，能挖掘高維數(shù)據(jù)內(nèi)部隱含的低秩結(jié)構(gòu)，顯性表征具有特定物理含義的主要特征，并可從物理機(jī)理上解釋特征學(xué)習(xí)的模型參數(shù)和認(rèn)知規(guī)律，改變了傳統(tǒng)空間認(rèn)知的思路。

針對(duì)泛化點(diǎn)云的場(chǎng)景認(rèn)知模式，需要探索泛化點(diǎn)云在高維張量流形空間的認(rèn)知機(jī)制，研究泛化點(diǎn)云的場(chǎng)景認(rèn)知理論方法，形成場(chǎng)景認(rèn)知共性處理技術(shù)。為此，泛化點(diǎn)云的場(chǎng)景認(rèn)知模式需要在張量模型探索、關(guān)聯(lián)機(jī)制構(gòu)建、智能處理算法和算力突破方面進(jìn)行研究，如圖4所示。

圖4 泛化點(diǎn)云的場(chǎng)景認(rèn)知模式

(1)開(kāi)展泛化點(diǎn)云稀疏特征的高維張量流形空間表征研究，探索能夠顯性表達(dá)泛化點(diǎn)云的高維張量流形空間基礎(chǔ)模型。探索歐氏空間與高維張量流形空間下泛化點(diǎn)云幾何和語(yǔ)義信息表現(xiàn)的差異，探索建立泛化點(diǎn)云歐氏空間與高維張量流形空間的可逆映射關(guān)系；研究高維張量流形空間認(rèn)知與表達(dá)理論，揭示高維張量流形空間下泛化點(diǎn)云高層次幾何和語(yǔ)義特征的顯性表征機(jī)制；突破泛化點(diǎn)云幾何屬性和語(yǔ)義信息的高維張量流形空間表達(dá)，實(shí)現(xiàn)泛化點(diǎn)云在高維張量流形空間下的有效表征；探索構(gòu)建多元關(guān)系融合的高維張量分解模型，研究面向泛化點(diǎn)云的高維張量低秩逼近方法，實(shí)現(xiàn)泛化點(diǎn)云高層次幾何和語(yǔ)義稀疏特征的有效提取。

(2)開(kāi)展高維張量流形空間泛化點(diǎn)云語(yǔ)義特征關(guān)聯(lián)研究，構(gòu)建高維張量流形空間中語(yǔ)義關(guān)聯(lián)的認(rèn)知機(jī)制。研究泛化點(diǎn)云在高維張量流形空間中的時(shí)空不變關(guān)鍵特征，構(gòu)建時(shí)空不變特征與實(shí)體要素語(yǔ)義的分層映射關(guān)系，研究深層特征的構(gòu)造與增強(qiáng)機(jī)理，分析多任務(wù)多場(chǎng)景下共性特征關(guān)聯(lián)關(guān)系，降低特征與特征之間，特征與任務(wù)之間的依賴(lài)相關(guān)性；研究跨任務(wù)時(shí)空一致的語(yǔ)義上下文關(guān)聯(lián)機(jī)理，增強(qiáng)語(yǔ)義的上下文一致性，實(shí)現(xiàn)全局場(chǎng)景語(yǔ)義關(guān)系的有效約束；研究語(yǔ)義結(jié)構(gòu)化關(guān)聯(lián)與場(chǎng)景知識(shí)理解機(jī)制，探索實(shí)體關(guān)系抽取模式與結(jié)構(gòu)化關(guān)聯(lián)模式，實(shí)現(xiàn)實(shí)體要素語(yǔ)義關(guān)系向場(chǎng)景知識(shí)表征的過(guò)渡。

(3)開(kāi)展泛化點(diǎn)云要素稀疏特征的韌性學(xué)習(xí)研究，建立算法可解釋的認(rèn)知學(xué)習(xí)機(jī)制。研究構(gòu)建面向泛化點(diǎn)云及其稀疏特征的可解釋深度神經(jīng)網(wǎng)絡(luò)語(yǔ)義標(biāo)注方法，建立模塊化語(yǔ)義表達(dá)的神經(jīng)網(wǎng)絡(luò)，提高神經(jīng)網(wǎng)絡(luò)模型的可解釋性和透明性；探索面向泛化點(diǎn)云的小樣本、弱標(biāo)注、自適應(yīng)新環(huán)境的上下文關(guān)聯(lián)的遷移學(xué)習(xí)機(jī)制，提高復(fù)雜場(chǎng)景下深度學(xué)習(xí)的泛化能力；研究提高復(fù)雜場(chǎng)景泛化點(diǎn)云認(rèn)知的韌性學(xué)習(xí)能力(訓(xùn)練穩(wěn)定、模型抗干擾、變化環(huán)境自適應(yīng)、可解釋性強(qiáng))，構(gòu)建泛化點(diǎn)云實(shí)體要素知識(shí)圖譜的協(xié)同推理計(jì)算方法，突破復(fù)雜環(huán)境下的空間要素特征的認(rèn)知局限，實(shí)現(xiàn)對(duì)空間實(shí)體的理解從感知學(xué)習(xí)到認(rèn)知智能層面的提升。

(4)開(kāi)展泛化點(diǎn)云高并發(fā)學(xué)習(xí)的高性能優(yōu)化算法研究，建立算力可加速的認(rèn)知學(xué)習(xí)機(jī)制。研究基于非凸低秩分解的深度神經(jīng)網(wǎng)絡(luò)壓縮與加速機(jī)制，并運(yùn)用并行計(jì)算的網(wǎng)絡(luò)計(jì)算模型，提升高并發(fā)學(xué)習(xí)的收斂速度；研究點(diǎn)云知識(shí)圖譜的精化構(gòu)建與優(yōu)化更新方法，探索靜態(tài)深度學(xué)習(xí)到時(shí)變遷移學(xué)習(xí)的轉(zhuǎn)化機(jī)制，通過(guò)構(gòu)建泛化點(diǎn)云實(shí)體要素不同時(shí)序的共性算子，高效抽取實(shí)體要素及實(shí)體對(duì)之間的關(guān)聯(lián)知識(shí)，實(shí)現(xiàn)知識(shí)概念圖譜上下文關(guān)系的快速更新與補(bǔ)全；探索建立要素實(shí)體和概念關(guān)系鏈接而成的網(wǎng)狀知識(shí)圖譜模型和數(shù)據(jù)的高效表示與存儲(chǔ)方法，優(yōu)化泛化點(diǎn)云實(shí)體要素知識(shí)圖譜的協(xié)同推理計(jì)算機(jī)制。

4 總 結(jié)

揭示智能體空間認(rèn)知行為與判斷機(jī)制，實(shí)現(xiàn)對(duì)空間場(chǎng)景的理解從特征感知向語(yǔ)義認(rèn)知的邁進(jìn)，是地球?qū)Φ赜^(guān)測(cè)研究在新一代人工智能發(fā)展階段的前沿問(wèn)題與挑戰(zhàn)。場(chǎng)景信息到場(chǎng)景知識(shí)的有效轉(zhuǎn)化是實(shí)現(xiàn)認(rèn)知能力提升的關(guān)鍵。點(diǎn)云大數(shù)據(jù)作為新型遙感的主要數(shù)據(jù)形式，逐漸成為智能體感知場(chǎng)景的重要信息載體。然而，對(duì)點(diǎn)云數(shù)據(jù)的計(jì)算范式目前是在歐氏空間中提取和關(guān)聯(lián)幾何特征，不能支撐場(chǎng)景中稀疏分布、物理屬性復(fù)雜的高維時(shí)空關(guān)聯(lián)特征的構(gòu)建，難以有效挖掘數(shù)據(jù)內(nèi)部隱含的場(chǎng)景語(yǔ)義知識(shí)。

本文在對(duì)現(xiàn)有研究進(jìn)展進(jìn)行比對(duì)分析、方法總結(jié)和問(wèn)題凝練的基礎(chǔ)上，提出了泛化點(diǎn)云的概念，它是具備空間位置、物理屬性、時(shí)間序列和同步輔助信息的高維點(diǎn)集，蘊(yùn)含真實(shí)場(chǎng)景的豐富知識(shí)。同時(shí)張量流行空間以其對(duì)非規(guī)則高維數(shù)據(jù)表達(dá)的原生支持特性，可為泛化點(diǎn)云的特征表征提供新的理論和方法支撐。在筆者前期探索中，已利用點(diǎn)云在張量流行空間中的特征表征顯著提升了復(fù)雜環(huán)境中多類(lèi)型要素的特征識(shí)別率，證明了對(duì)場(chǎng)景復(fù)雜幾何形態(tài)精確表達(dá)的有效作用。

此外，迫切需要瞄準(zhǔn)泛化點(diǎn)云的場(chǎng)景語(yǔ)義認(rèn)知前沿科學(xué)問(wèn)題，通過(guò)高維張量流形空間對(duì)物理環(huán)境在有效認(rèn)知空間進(jìn)行轉(zhuǎn)換，揭示物理環(huán)境的泛化點(diǎn)云在新有效認(rèn)知空間與要素語(yǔ)義知識(shí)的關(guān)聯(lián)機(jī)制，從而推進(jìn)泛化點(diǎn)云認(rèn)知的基礎(chǔ)研究。也需要圍繞泛化點(diǎn)云對(duì)物理環(huán)境新認(rèn)知空間中獨(dú)有的基礎(chǔ)性技術(shù)突破，建立泛化點(diǎn)云的韌性學(xué)習(xí)機(jī)制，突破面向泛化點(diǎn)云高并發(fā)計(jì)算的效率、收斂和優(yōu)化技術(shù)，全面提升泛化點(diǎn)云運(yùn)算效率和質(zhì)量，并完成典型室內(nèi)外場(chǎng)景高精度語(yǔ)義建圖，實(shí)現(xiàn)基礎(chǔ)和應(yīng)用研究的銜接。