为了提高稀疏3D激光雷达捕获点云的分辨率，MIT的研究人员通过研究，将这个问题从3D问题转换为2D图像空间中的图像超分辨率问题，使用深度卷积神经网络来解决。
在研究和使用激光雷达的时候，经常会遇到这样一个问题，既想要一个大线束的激光雷达来保证车辆周围的安全性，又需要最大限度的节省成本，这种情况下，很多研究者正在从算法上提高激光雷达的性能。
近日，MIT提出了一种用于地面车辆在道路上行驶的激光雷达超分辨率的方法，该方法完全依靠驾驶模拟器通过深度学习来增强物理激光雷达的外观分辨率。
为了提高稀疏3D激光雷达捕获的点云的分辨率，研究人员将此问题从3D欧几里得空间转换为2D图像空间中的图像超分辨率，可使用深度卷积神经网络解决该问题。
通过将点云投影到范围图像上，使用深度神经网络有效地提高此类图像的分辨率。通常，深度神经网络的训练需要大量的真实世界数据。此方法不需要任何实际数据，因为仅使用计算机生成的数据来训练网络。
该方法理论上可用于增强任何类型的3D激光雷达。通过在神经网络中创造性的应用蒙特卡洛（Monte－Carlo）压降并删除具有高度不确定性的预测，可产生与真实高分辨率激光雷达的观测结果可比的高精度点云。
由于激光雷达的水平分辨率通常足够高，所以只能增强垂直分辨率。但是，在一般性前提下，提出的方法也适用仅用一个来增强激光雷达的水平分辨率对神经网络的少量修改。的工作流程提议的方法如图1所示。给定一个稀疏点来自3D激光雷达的云，我们首先将其投影并获得低分辨率范围图像。然后将此范围图像作为输入提供给神经网络，仅对模拟数据进行训练，用于升级。通过变换将高分辨率图像像素推断为3D坐标。
随着自动驾驶汽车的发展，对3D激光雷达的需求将大大增加。尽管旋转的2D激光雷达可以通过连续反复更改扫描位置，此类系统通常效率低下。典型的3D激光雷达具有多个通道，在不同的高度旋转，产生带有环的3D点云，成像结构。传感器中的通道数决定了点云的垂直密度。密集的点云从具有更多通道的激光雷达可以获取；地形建模和对象高分辨力的激光雷达可以使目标检测大大受益。
