1.一种针对自动驾驶场景的雷达点云采样以及语义分割系统，其特征在于，所述系统包括：网络输入变换模块，网络的输入是点云数据，维度为N×dim,N表示输入点云的总点数，dim指每个点的特征维度，输入点云经过一个全连接层变换之后，生成大小为N×8的特征表示；

双分支自编码器网络模型，包括编码器和解码器；

编码器包含四个编码层，用于逐步降低点云的尺寸并增加每个点特征的维度；上分支编码器的四个编码层由局部特征聚合模块和随机采样操作组成；下分支编码器中第一个编码层由局部特征聚合模块和极柱均衡随机采样模块组成，后续三个编码层则局部特征聚合模块和随机采样操作组成；上下分支的解码器具有相同的结构，且均包括四个解码层，每个解码层包含一个多层感知机和一个上采样操作；

语义预测模块，包括三个全连接层和一个丢弃层，为每个点预测一个语义标签；

所述极柱均衡随机采样模块的建立方法如下：

首先将三维点云所在的笛卡尔坐标系转换成极坐标系：

将点坐标(x,y,z)转换成(ρ,θ,z),其中ρ表示半径，即距离x‑y平面原点的距离，θ表示从x轴到y轴的角度，z代表高度；

基于构建的极坐标系，将输入的三维点云划分为不同的圆柱块，数目记为K，且距离越远划分的圆柱块就越大，最终得到的三维极柱表征的分辨率为R×P×Z，R、P、Z分别表示半径、方位角、高度；

其次，基于目标采样的点数M和划分的圆柱块数目K，计算每一个圆柱块中的将要下采样获得的点数，将它们构建成一个维度为K×1的列表Sn；且在下采样的过程中，尽量均衡每一个圆柱块中的点数，使它们尽量保持一致；

最后，在每一个圆柱块中执行采样操作：置乱每一个块中的点，选择前面的Sn[i],其中i表示第i个圆柱块，构成一个子点云；将所有得到的子点云结合在一起，再执行一次置乱操作获得最终的采样点云。

2.根据权利要求1所述的一种针对自动驾驶场景的雷达点云采样以及语义分割系统，其特征在于，所述编码器的整体阶段，其点数的变化为：N→N/4→N/16→N/64→N/256；

相应的特征维度为：

8→32→128→256→512；

所述解码层的整体阶段，其点数变化为：

N/256→N/64→N/16→N/8→N

相应的特征维度为：

512→256→128→32→8。

3.根据权利要求1所述的一种针对自动驾驶场景的雷达点云采样以及语义分割系统，其特征在于，所述极柱均衡随机采样深度语义分割网络模型的学习由损失函数 进行监督约束和训练；

损失函数 表示为：

其中，σ1和σ2为不确定性加权参数，用于自动地调整不同损失项的优化比例；

其中， 和 分别表示采用极柱均衡随机采样和随机采样方法时的预测概率；C表示数据集中类别的数目，c表示第c个类别；

其中，C表示数据集中类别的数目，c表示第c个类别，ωc表示类别c的权重，yc和 分别表示真实值和预测的概率。