近年来在矿山智能化相关举措的逐步实施下，矿山行业朝着智能化、无人化发展。无人驾驶技术作为当前露天矿智能化运输作业系统的重要组成部分，通过场景重建和识别获得准确的场景几何信息，是无人运输车辆应用于露天矿作业生产的先决条件。三维点云数据可以准确实现三维场景重建，而点云语义分割能够有效提取驾驶场景中道路环境的三维特征信息，实现无人驾驶对行驶环境区域的准确识别。相比城市结构化道路，露天矿场景下非结构化道路具有道路与地形边界特征模糊、无明显道路边沿、空间三维坐标跨度大等特点。为解决目前公开的非结构化道路数据集规模较少、样本分布不均匀以及主流点云语义分割算法对非结构化道路分割精度较低的问题，通过三维点云重建构造露天矿点云数据集，以及优化改进PointNet++算法，提出了一种适用于露天矿场景下非结构化道路的语义分割方法。基于SFM和MVS算法对采集到的多视点图像进行稠密点云重建，同时优化改进PointNet++，引入MLP、通道注意力机制以及基于点注意力的自注意力机制，设计了露天矿非结构化道路点云语义分割模型。为验证该方法有效性，依据S3DIS数据集格式进行转换、划分并数据增强构建了2641组samples露天矿点云数据。通过模型训练的实验结果表明：改进后的算法进行分割测试比PointNet++的mIoU提升了4.9%，且分割性能良好。对比其他点云分割网络，该网络模型更适用于露天矿场景下的非结构化道路，能够满足矿区运输无人车对于可行域的行驶要求，为无人驾驶后续的决策与规划提供准确的三维环境信息。

0引言
1露天矿三维点云数据集构建
1.1多视点图像
1.2露天矿三维点云重建
2非结构化道路点云分割优化模型
2.1整体模型框架
2.2模型模块原理
2.2.1集合抽象模块（Set Abstraction，SA）
2.2.2基于混合注意力机制的特征提取模块（Mixed Attention，MA）
2.2.3特征传递模块（Feature propagation，FP）
2.2.4多层感知机（Multi-Layer Perceptron，MLP）
2.3Loss损失函数
3露天矿非结构化道路点云语义分割实验与结果分析
3.1露天矿点云数据集
3.2露天矿地形道路点云分割实验与分析
3.2.1实验环境配置和评价指标
3.2.2对比实验与分析
3.2.3消融实验
3.2.4仿真验证实验
4结论