3D Sensing of a Moving Object with a Nodding 2D LIDAR and Reconfigurable Mirrors
3D感知已成为机器人应用的大部分标准实践。高质量的3D感知是昂贵的。我们之前在点头2D激光雷达上的工作以低成本提供了高质量的3D深度信息，但这种传感器生成的稀疏数据在理解不确定环境中移动物体的特征方面提出了挑战。本文提出了一种新颖的设计点头激光雷达，但提供了动态可重构性方面的限制使用一组光学反射镜的传感器的视场。它不仅提供了更密集的扫描，而且还实现了三倍的扫描更新速率。此外，我们提出了一种新的校准机制，这种传感器，并证明其有效性的动态目标检测和跟踪。
2019-12-27 cs.CV cs.RO
Feasibility of Indoor Frame-Wise Lidar Semantic Segmentation via Distillation from Visual Foundation Model
1 Department of Earth Observation Science, Faculty of Geo-Information Science；Earth Observation (ITC), University of Twente, 7522 NB Enschede, The Netherlands
本文探讨了通过知识蒸馏从视觉基础模型中学习的方法，用于室内点云语义分割，展示了在无人工标注的情况下，该方法在室内场景中的有效性。
2026-04-20 cs.CV cs.RO
MILAN: Milli-Annotations for Lidar Semantic Segmentation
LIGM（图像与数字数学实验室）；Ecole des Ponts（巴黎桥路学院）；Univ Gustave Eiffel（Gustave Eiffel大学）；CNRS（法国国家科学研究中心）
本文提出MILAN方法，利用自监督激光雷达表示选择高信息量扫描并聚类点云，通过每簇一次点击标注，以千分之一标签成本达到与完全标注相当的性能。
2024-07-22 cs.CV
PillarSegNet: Pillar-based Semantic Grid Map Estimation using Sparse LiDAR Data
Stellantis, Opel Automobile GmbH（斯泰兰蒂斯集团欧宝汽车有限公司）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院）
对周围环境的语义理解对于自动驾驶汽车至关重要。SemanticKITTI数据集的发布推动了城市场景下LiDAR点云语义分割的研究。虽然大多数现有的方法预测稀疏逐点语义类的稀疏输入激光雷达扫描，我们建议PillarSegNet能够输出一个密集的语义网格地图。与之前提出的网格地图方法相比，PillarSegNet使用PointNet直接从3D点云学习特征，然后在顶视图中进行2D语义分割。为了训练和评估我们的方法，我们使用稀疏和密集地面实况，其中密集地面实况是从多个叠加扫描获得的。在SemanticKITTI数据集上的实验结果表明，PillarSegNet比最先进的网格映射方法实现了约10% mIoU的性能增益。
2021-07-05 cs.CV cs.RO
Neural LiDAR Fields for Novel View Synthesis
ETH Zurich（苏黎世联邦理工学院）；NVIDIA（英伟达）；University of Toronto（多伦多大学）；Vector Institute（向量研究所）
提出NFL，将神经场渲染与物理LiDAR传感模型结合以合成新视角扫描，并在真实与合成数据上验证其优于重建模拟及NeRF风格方法。
2023-08-13 cs.CV
Real-Time 2D LiDAR Object Detection Using Three-Frame RGB Scan Encoding
Smart Systems Group, Institute of Engineering Hanze University of Applied Sciences, Groningen, The Netherlands
本研究提出一种基于三帧RGB扫描编码的实时2D激光雷达目标检测方法，实现高效且隐私友好的嵌入式室内机器人感知。
2026-02-02 cs.CV cs.LG cs.RO
A Preprocessing and Postprocessing Voxel-based Method for LiDAR Semantic Segmentation Improvement in Long Distance
University of Wuppertal（乌尔姆大学）；Aptiv Services Deutschland GmbH（APTIV德国服务公司）
本文提出了一种用于增强长距离LiDAR语义分割的预处理和后处理方法，通过多阶段处理和先进模型结合，显著提升了中远距离的mIoU性能。
2024-05-16 cs.CV
Instant Domain Augmentation for LiDAR Semantic Segmentation
POSTECH（浦项科技大学）；Carnegie Mellon University（卡内基梅隆大学）
尽管LiDAR传感器越来越受欢迎，但使用3D LiDAR数据的感知算法仍在与“传感器偏差问题”作斗争。具体而言，感知算法的性能显着下降时，一个看不见的规格的激光雷达传感器应用在测试时，由于域的差异。本文提出了一种快速灵活的激光雷达增强方法的语义分割任务，称为“LiDomAug'。它聚合原始LiDAR扫描并创建任何配置的LiDAR扫描，同时考虑动态失真和遮挡，从而实现即时域增强。我们的按需增强模块以330 FPS运行，因此可以无缝集成到学习框架中的数据加载器中。在我们的实验中，基于学习的方法与所提出的LiDomAug辅助受传感器偏置问题的影响较小，并实现新的最先进的领域自适应性能SemanticKITTI和nuScenes数据集，而不使用目标域数据。我们还提出了一个传感器不可知模型，忠实地工作在各种激光雷达配置。
2023-03-25 cs.CV
Scan-based Semantic Segmentation of LiDAR Point Clouds: An Experimental Study
Mercedes-Benz AG（梅赛德斯-奔驰股份公司）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Research Center for Information Technology（信息技术研究中心）
自动驾驶汽车需要对周围的三维世界有一个语义理解，以便对它们的环境进行推理。现有技术的方法使用深度神经网络来预测LiDAR扫描中每个点的语义类。处理LiDAR测量的一种强大而有效的方法是使用二维图像投影。在这项工作中，我们进行了全面的实验研究基于图像的语义分割架构的激光雷达点云。我们展示了各种技术，以提高性能，提高运行时以及内存的限制。首先，我们研究了网络大小的影响，并建议可以以非常低的精度成本实现更快的推理时间。接下来，我们介绍一种改进的点云投影技术，不遭受系统闭塞。我们使用一个循环填充机制，在水平视野边界提供上下文。在第三部分中，我们使用软Dice损失函数进行实验，该函数直接优化了交集度量。最后，我们提出了一种新的卷积层，沿着两个空间维度之一减少了权重共享量，解决了LiDAR扫描垂直轴上外观的巨大差异。我们提出了上述方法的最后一组，通过这些方法，模型的mIoU分割性能比基线提高了3.2%，同时只需要原始推理时间的42%。
2021-09-24 cs.CV cs.LG stat.ML
D-PLS: Decoupled Semantic Segmentation for 4D-Panoptic-LiDAR-Segmentation
Mannheim University of Applied Sciences（曼海姆应用技术大学）
本文提出D-PLS方法，通过解耦语义与实例分割并利用单次扫描语义预测作为先验指导实例分割，在SemanticKITTI数据集上显著提升了4D全景LiDAR分割的LSTQ指标。
2025-01-27 cs.AI cs.CV
Learning to Detect Objects from Multi-Agent LiDAR Scans without Manual Labels
Xiamen University（厦门大学）；Shanghai Jiao Tong University（上海交通大学）；Wuhan University（武汉大学）
本文提出无监督多智能体LiDAR 3D物体检测方法DOtA，利用智能体共享位姿与互补观测生成高质量伪标签，在V2V4Real和OPV2V上超越现有方法。
2025-03-13 cs.CV
The Devil is in the Details: Simple Remedies for Image-to-LiDAR Representation Learning
POSTECH（浦项科技大学）；RideFlux Inc.（RideFlux公司）；UNIST（蔚山科学技术院）；Yonsei University（延世大学）
本文针对图像到 LiDAR 表征蒸馏中被忽视的空间量化与时间数据利用问题，提出简单设计修正，在 nuScenes 和 KITTI 上分别提升 16% 和 13%。
2025-01-16 cs.CV
DALES: A Large-scale Aerial LiDAR Data Set for Semantic Segmentation
University of Dayton（代顿大学）
我们介绍了代顿注释激光雷达地球扫描（DALES）数据集，这是一个新的大规模航空激光雷达数据集，拥有超过5亿个手工标记的点，覆盖10平方公里的区域和8个对象类别。大型带注释的点云数据集已成为评估深度学习方法的标准。然而，大多数现有数据集侧重于从移动或地面扫描仪收集的数据，很少侧重于空中数据。从空中激光扫描仪（ALS）收集的点云数据在三维城市建模和大规模监控等领域提出了一系列新的挑战和应用。DALES是最广泛的公开可用的ALS数据集，其点的数量超过400倍，分辨率是其他现有注释航空点云数据集的六倍。该数据集为评估新的3D深度学习算法提供了关键数量的专家验证手动标记点，有助于将当前算法的重点扩展到航空数据。我们描述了我们的数据，注释工作流程的性质，并提供了一个基准的DALES数据集上的当前最先进的算法性能。
2020-04-14 cs.CV cs.LG stat.ML
Railway LiDAR semantic segmentation based on intelligent semi-automated data annotation
Fraunhofer Institute for Open Communication Technologies (FOKUS)（弗劳恩霍夫开放通信技术研究所）；Daimler Center for Automotive Information Technology Innovations (DCAITI)（戴姆勒汽车信息技术创新中心）
针对铁路环境缺乏公开3D LiDAR语义分割数据集与方法的问题，提出基于2DPass网络联合扫描与图像的逐点分割方法及半自动智能标注策略，利用主动学习高效训练，在9类上达到71.48%的平均IoU。
2024-11-19 cs.CV cs.SY eess.SY
Mitigating Shadows in Lidar Scan Matching using Spherical Voxels
Tufts University（塔夫茨大学）
在本文中，我们提出了一种方法，以减轻阴影误差的激光雷达扫描匹配，通过引入一个基于球面网格的预处理步骤。由于网格与激光雷达光束对齐，因此相对容易消除导致激光雷达扫描匹配中的系统误差的阴影边缘。正如我们通过模拟所示，我们提出的算法提供了更好的结果比地平面去除，最常见的现有的阴影缓解策略。与地平面移除不同，我们的方法适用于任意地形（例如城市墙壁上的阴影，丘陵地形中的阴影），同时保留地面上的关键激光雷达点，这些点对于估计高度，俯仰和滚动的变化至关重要。我们的预处理算法可以与一系列扫描匹配方法一起使用;然而，对于基于体素的扫描匹配方法，它通过降低计算成本和更均匀地在体素之间分布激光雷达点来提供额外的好处。
2022-08-01 cs.CV cs.RO
LidarDM: Generative LiDAR Simulation in a Generated World
UIUC（伊利诺伊大学香槟分校）；NVIDIA（英伟达）
LidarDM通过集成4D世界生成框架，实现了基于驾驶场景的4D激光雷达点云生成，提升自动驾驶模拟的逼真度与时间一致性。
2025-12-29 cs.CV cs.RO
MinkLoc3D-SI: 3D LiDAR place recognition with sparse convolutions, spherical coordinates, and intensity
Poznan University of Technology（波兹南理工大学）；Warsaw University of Technology（华沙理工大学）
3D LiDAR位置识别旨在基于来自旋转3D LiDAR传感器的单次扫描来估计先前看到的环境中的粗略定位。该问题的现有解决方案包括手工制作的点云描述符（例如，ScanContext、M2 DP、LiDAR IRIS）和基于深度学习的解决方案（例如，PointNetVLAD、PCAN、LPDNet、DAGC、MinkLoc 3D），通常仅在Oxford RobotCar数据集的累积2D扫描上进行评估。我们介绍了MinkLoc 3D-SI，这是一种基于稀疏卷积的解决方案，它利用3D点的球面坐标并处理3D LiDAR测量的强度，从而提高了使用单个3D LiDAR扫描时的性能。我们的方法将手工制作的描述符（如ScanContext）的典型改进与最有效的3D稀疏卷积（MinkLoc 3D）相结合。我们的实验显示了3D LiDAR（USyd Campus数据集）单次扫描的改进结果和强大的泛化能力（KITTI数据集）。在累积的2D扫描（RobotCar Intensity数据集）上使用强度信息可以提高性能，即使球形表示不会产生明显的改善。因此，MinkLoc 3D-SI适用于从3D LiDAR获得的单次扫描，使其适用于自动驾驶汽车。
2021-12-27 cs.CV cs.RO
Lossless SIMD Compression of LiDAR Range and Attribute Scan Sequences
ComplexIQ；Carnegie Mellon University（卡内基梅隆大学）
随着LiDAR传感器变得无处不在，对高效LiDAR数据压缩算法的需求增加。现代激光雷达每小时产生千兆字节的扫描数据，通常用于计算、带宽和存储资源有限的应用。我们提出了一种快速，无损压缩算法的激光雷达范围和属性扫描序列，包括多次返回范围，信号，反射率，和环境红外。我们的算法-被称为“Jiffy”-实现了大量的压缩，利用时空冗余和稀疏。速度是通过最大限度地使用单指令多数据（SIMD）指令来实现的。在自动驾驶、基础设施监控、无人机检测和手持地图基准测试中，Jiffy算法始终能够压缩竞争对手的无损编解码器，同时在单核上以超过65 M点/秒的速度运行。在典型的自动驾驶汽车用例中，单线程Jiffy以每秒500多次扫描的速度实现了厘米精度范围扫描的6倍压缩。为了确保可重复性和可采用性，该软件作为开源库免费提供。
2023-02-28 cs.CV cs.RO
MOVES: Movable and Moving LiDAR Scene Segmentation in Label-Free settings using Static Reconstruction
Indian Institute of Technology（印度理工学院）
MOVES提出基于GAN的对抗模型，在无分割标签下通过将动态LiDAR扫描重建为静态扫描，实现移动及可移动物体的分割，解决自主导航中的动态干扰问题。
2023-10-15 cs.CV cs.RO
Learning a Local Feature Descriptor for 3D LiDAR Scans
University of Freiburg（弗莱堡大学）
健壮的数据关联对于几乎每个SLAM系统都是必要的，并且找到对应点通常是扫描对准算法的预处理步骤。传统上，手工制作的特征描述符用于这些问题，但最近学习的描述符已被证明执行更稳健。在这项工作中，我们提出了一个局部特征描述3D激光雷达扫描。使用卷积神经网络（CNN）来学习描述符。我们提出的架构包括一个暹罗网络学习的特征描述符和一个度量学习网络匹配的描述符。我们还提出了一种方法，估计当地的表面补丁，并获得地面实况对应。在广泛的实验中，我们将我们学习的特征描述符与现有的3D局部描述符进行了比较，并在匹配精度和计算时间方面报告了多个实验的高度竞争性结果。\end{abstract}
2018-09-20 cs.CV cs.RO
Comprehensive Assessment of LiDAR Evaluation Metrics: A Comparative Study Using Simulated and Real Data
National Research Council Canada（加拿大国家研究理事会）；Civil and Environmental Engineering Western University（环境与土木工程系滑铁卢大学）；Transport Canada（加拿大交通部）
本研究探索了比较真实与模拟LiDAR扫描的评估指标，发现密度感知Chamfer距离(DCD)在多种设置下表现最佳，并基于真实数据构建VTE验证了模拟与真实LiDAR在几何特性和模型感知输出上的差异。
2025-11-04 cs.CV cs.RO
LiDAR-BIND-T: Improved and Temporally Consistent Sensor Modality Translation and Fusion for Robotic Applications
IDLab - Faculty of Applied Engineering, University of Antwerp - imec（IDLab - 应用工程学院，安特卫普大学 - imec）；Cosys-Lab - Faculty of Applied Engineering, University of Antwerp（Cosys-Lab - 应用工程学院，安特卫普大学）；Flanders Make Strategic Research Centre（弗拉芒制造战略研究中心）
本文提出 LiDAR-BIND-T，通过时间嵌入相似度、运动对齐损失和窗口化时间融合增强异构传感器到 LiDAR 的转换，并以新指标验证其提升 SLAM 稳定性与精度。
2025-09-30 cs.AI cs.CV cs.LG
Fast and Robust Normal Estimation for Sparse LiDAR Scans
Magic Leap（魔法跳跃公司）
本文提出一种针对稀疏LiDAR数据的快速鲁棒法线估计方法，利用激光发射模式标记点并仅以同标签点为邻居，避免高曲率区域的法线平滑，生成更高质量地图且仅引入常数级运行时开销。
2024-04-22 cs.CV cs.RO
Characterizing Perspective Error in Voxel-Based Lidar Scan Matching
Tufts University（塔夫茨大学）
本文针对基于体素的激光雷达扫描匹配，建立圆柱柱体与双墙转角的视角误差解析模型，并分析车辆驶过时误差的累积规律。
2024-01-24 cs.RO
Learning to Drop Points for LiDAR Scan Synthesis
Kyushu University（九州大学）
LiDAR传感器的3D激光扫描对于移动机器人了解其周围环境起着重要作用。然而，由于硬件限制、天气条件等原因，并非所有系统都具有高分辨率和准确度。将LiDAR数据作为场景先验的生成建模是补偿不可靠或不完整观测的有前途的解决方案之一。本文提出了一种基于生成对抗网络的LiDAR数据生成学习模型。与相关研究一样，我们将LiDAR数据处理为紧凑但无损的表示，即圆柱形深度图。然而，尽管现实世界的物体是平滑的，但深度图上的许多点通过激光测量被丢弃，这导致生成模型的学习困难。为了解决这个问题，我们将测量不确定性引入到生成过程中，这使得模型能够从真实LiDAR数据的集合中学习底层形状和丢弃噪声的解纠缠表示。为了模拟有损测量，我们采用可微采样框架来基于学习的不确定性丢弃点。我们证明了我们的方法的有效性，使用两个数据集的合成和重建任务。我们通过恢复具有各种类型损坏的LiDAR数据来进一步展示潜在的应用。
2021-08-01 cs.CV cs.RO eess.IV
Improved Radar Localization on Lidar Maps Using Shared Embedding
Zhejiang University（浙江大学）
我们提出了一个异构定位框架，用于解决雷达全球定位和姿态跟踪预建激光雷达地图。为了弥合传感模式的差距，构建了深度神经网络，为雷达扫描和激光雷达地图创建共享的嵌入空间。在这里，学习的特征嵌入支持相似性度量，从而分别提高地图检索和数据匹配。在RobotCar和MulRan数据集中，我们通过与Scan Context和RaLL的比较证明了所提出的框架的有效性。此外，与原始RaLL相比，所提出的姿态跟踪流水线具有更少的神经网络。
2021-06-18 cs.CV cs.RO
Incremental Semantics-Aided Meshing from LiDAR-Inertial Odometry and RGB Direct Label Transfer
Faculty of Geo-Information Science and Earth Observation (ITC), University of Twente（特温特大学地理信息科学与地球观测学院（ITC））
本文提出基于RGB和LiDAR的增量语义辅助网格生成方法，通过直接标签转移提升几何重建精度，优于ImMesh和Voxblox，为XR和数字建模提供新路径。
2026-04-10 cs.CV cs.RO
Correcting Motion Distortion for LIDAR HD-Map Localization
Tufts University（塔夫茨大学）
提出VICET算法，通过快照处理扩展NDT联合求解6DOF刚体变换与运动状态，在无外部传感器下校正激光雷达运动畸变，实现比NDT和ICP更高精度的高清地图定位。
2023-08-25 cs.RO
LMBAO: A Landmark Map for Bundle Adjustment Odometry in LiDAR SLAM
Sun Yat-sen University（中山大学）
LiDAR测距是LiDAR同时定位与地图构建（SLAM）的重要组成部分。然而，现有的LiDAR测距法倾向于简单地迭代地将新扫描与先前的固定姿势扫描相匹配，从而逐渐积累误差。此外，作为一种有效的联合优化机制，光束法平差（BA）不能直接引入到实时里程计由于大规模的全球地标密集的计算。因此，本文设计了一种新的策略，称为里程碑地图的光束法平差测距（LMBAO）的LiDAR SLAM解决这些问题。首先，BA为基础的里程进一步发展与积极的地标维护策略，更准确的本地注册，避免累积误差。具体地说，本文保留了整个稳定的地标在地图上，而不仅仅是他们的特征点在滑动窗口中，并删除地标根据其活动的等级。接下来，减小滑动窗口长度，并且执行边缘化以保留窗口外但对应于地图上的活动地标的扫描，从而大大简化了计算并提高了实时性。此外，在三个具有挑战性的数据集上的实验表明，我们的算法在户外驾驶中实现了实时性能，并且优于最先进的LiDAR SLAM算法，包括Lego-LOAM和VLOM。
2022-09-19 cs.CV cs.RO
CT-ICP: Real-time Elastic LiDAR Odometry with Loop Closure
MINES ParisTech, PSL University（巴黎高等矿业学院，巴黎文理研究大学）；Kitware（Kitware公司）
多光束激光雷达传感器越来越多地用于机器人技术，特别是用于自动驾驶汽车的定位和感知任务，两者都依赖于构建精确环境地图的能力。为此，我们提出了一种新的实时的【形】激光雷达测距方法，称为CT-ICP（连续时间ICP），完成了一个完整的SLAM与一个新的循环检测过程。该方法的核心是引入扫描匹配中的连续性和扫描间的不连续性。它允许在配准期间扫描的弹性失真以提高精度，以及对来自不连续性的高频运动的增强的鲁棒性。我们建立了一个完整的SLAM上的里程计，使用一个快速的纯激光雷达环检测的基础上海拔图像的2D匹配，提供一个姿态图与循环约束。为了证明该方法的鲁棒性，我们在七个数据集上进行了测试：KITTI，KITTI-raw，KITTI-360，KITTI-CARLA，ParisLuco，Newer College和NCLT驾驶和高频运动场景。CT-ICP里程计和线圈检测都可以在线使用。CT-ICP目前在KITTI里程计排行榜上排名第一，平均相对翻译误差（RTE）为0.59%，单线程CPU上每次扫描的平均时间为60 ms。
2022-02-24 cs.CV cs.RO
Detection and Utilization of Reflections in LiDAR Scans Through Plane Optimization and Plane SLAM
ShanghaiTech University（上海科技大学）
针对LiDAR在玻璃、镜面等反射场景下读数不一致的问题，本文构建全局优化的反射平面地图并分类全部激光读数，实验表明其准确率优于单次扫描方法，且代码与数据开源。
2024-06-15 cs.RO
JustDepth: Real-Time Radar-Camera Depth Estimation with Single-Scan LiDAR Supervision
Ajou University（韩国亚洲大学）；Kennesaw State University（肯尼索州立大学）
研究自动驾驶系统中雷达-相机深度估计问题，提出单阶段JustDepth方法，仅用雷达、相机和单扫描激光雷达训练，能聚合雷达回波解耦运行时与点数，融合模态传播深度，减轻条纹伪影，相比先进方法减少推理时间并降低条纹伪影。
2026-07-27 cs.CV cs.RO
Long-Term Urban Vehicle Localization Using Pole Landmarks Extracted from 3-D Lidar Scans
University of Freiburg（弗赖堡大学）
由于它们的普遍性和长期稳定性，杆状物体非常适合作为城市环境中车辆定位的地标。在这项工作中，我们提出了一个完整的映射和长期定位系统的基础上从3-D激光雷达数据提取的极点地标。我们的方法采用了一种新的极点检测器，映射模块和在线定位模块，其中每一个都有详细描述，我们在www.github.com/acschaefer/polex上提供了一个开源实现。在广泛的实验中，我们证明了我们的方法在长期可靠性和准确性方面提高了最先进的水平：首先，我们通过任务系统在15个月的时间内根据初始地图在城市地区定位移动机器人来证明可靠性，面对不断变化的路线，不同的天气条件，季节变化和建筑工地。其次，我们表明，所提出的方法显然优于最近发表的方法在准确性方面。
2019-10-23 cs.CV cs.RO
DSLR: Dynamic to Static LiDAR Scan Reconstruction Using Adversarially Trained Autoencoder
Indian Institute of Science（印度科学研究所）；AMIDC Pvt Ltd（AMIDC私人有限公司）；Chennai Mathematical Institute（钦奈数学研究所）
从包含动态对象的场景的LiDAR扫描中精确重建静态环境，我们称之为动态到静态转换（DST），是自主导航研究的一个重要领域。最近已经针对视觉SLAM探索了这个问题，但是据我们所知，还没有工作试图解决用于LiDAR扫描的DST。由于LiDAR在自动驾驶汽车中的广泛采用，这个问题至关重要。我们表明，最先进的方法开发的视觉域时，适用于激光雷达扫描表现不佳。我们开发了DSLR，这是一种深度生成模型，它通过一个经过逆向训练的自动编码器来学习动态扫描与静态扫描之间的映射。我们的模型产生了第一个在LiDAR上进行DST的解决方案，该解决方案在不使用显式分割标签的情况下生成静态扫描。由于缺乏成对的动态-静态扫描，DSLR并不总是适用于真实世界的数据。使用无监督领域自适应，我们提出了DSLR-UDA转移到现实世界的数据和实验表明，这在现实世界的设置表现良好。此外，如果分割信息可用，我们将DSLR扩展到DSLR-Seg以进一步提高重建质量。DSLR在模拟和真实世界的数据集上提供了最先进的性能，并且还显示出至少4倍的改进。我们表明，DSLR，不像现有的基线，是一个实际可行的模型，其重建质量在可容忍的范围内的自主导航，如SLAM在动态环境中的任务。
2021-05-26 cs.AI cs.CV cs.LG
Scan-Matching based Particle Filtering approach for LIDAR-only Localization
University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）
本文论述了自主车辆的定位方法的发展，只使用一个$3\Dim$激光雷达传感器。在本文的上下文中，在环境的已知3D全局地图中定位车辆本质上是在该地图内找到其全局$3\Dim$姿态（位置和方向）。跟踪的问题则是使用顺序LIDAR扫描测量来估计除了车辆的全局姿态之外的其他状态，诸如速度和角速率。粒子滤波器通常用于定位和跟踪，如在同时定位和映射的应用中。但是，随着粒子的增加，粒子滤波器在计算上变得非常困难，通常需要在大的$3\Dim$贴图中进行定位。此外，计算每个粒子的LIDAR扫描的可能性本身是计算上昂贵的任务，因此限制了可以用于实时的性能的粒子的数量。为此，我们提出了一种混合的方法，结合了粒子滤波器的优点与全局-局部扫描匹配方法，以更好地通知粒子滤波器的重采样阶段。此外，我们建议使用预先计算的似然网格来加速LIDAR扫描的计算。最后，我们开发了完整的算法，广泛利用并行处理，以实现近足够的实时性能公开可用的KITTI数据集。
2023-02-14 cs.RO
Efficient LiDAR Bundle Adjustment for Multi-Scan Alignment Utilizing Continuous-Time Trajectories
Center for Robotics, University of Bonn（波恩大学机器人中心）；University of Oxford（牛津大学）；Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔机器学习与人工智能研究所）
本文提出一种利用连续时间轨迹的3D激光雷达束调整方法，通过剪枝搜索空间和核外循环缓冲区，高效实现多扫描全局对齐，并支持多会话对齐。
2024-12-16 cs.RO
PRISM-Loc: a Lightweight Long-range LiDAR Localization in Urban Environments with Topological Maps
Federal Research Center for Computer Science and Control of Russian Academy of Sciences（俄罗斯科学院计算机科学与控制联邦研究中心）；Moscow Institute of Physics and Technology (MIPT)（莫斯科物理技术学院）；Artificial Intelligence Research Institute (AIRI)（人工智能研究所）；Innopolis University（Innopolis大学）
PRISM-Loc提出了一种轻量级的激光雷达定位方法，结合紧凑拓扑表示与新型扫描匹配和车道线检测模块，实现了在城市环境中高精度的实时定位。
2025-12-22 cs.CV cs.RO
LiDAR Point--to--point Correspondences for Rigorous Registration of Kinematic Scanning in Dynamic Networks
EPFL（洛桑联邦理工学院）；University of Geneva（日内瓦大学）
为了提高运动扫描系统产生的激光雷达点云的配准，我们提出了一种新的轨迹调整程序，该程序利用重叠点云之间的选定可靠的3D点到点对应关系的自动提取及其联合集成（调整）以及所有原始惯性和GNSS观测。这是使用动态网络方法以紧密耦合的方式执行的，该方法通过在传感器而不是轨迹水平上对误差进行建模来产生最佳补偿轨迹。3D对应关系被公式化为该网络内的静态条件，并且利用校正的轨迹和在调整内确定的可能的其他参数以更高的精度生成配准的点云。我们首先描述了选择对应的方法，以及它们如何作为新的观察模型插入到动态网络中。然后，我们描述了进行实验，以评估所提出的框架的性能，在实际的机载激光扫描的情况下，低成本的MEMS惯性传感器。在所进行的实验中，提出的方法来建立3D对应关系是有效的，在确定点到点的匹配在广泛的几何形状，如树木，建筑物和汽车。我们的研究结果表明，该方法提高了点云配准精度，否则受到确定的平台姿态或位置（在标称和仿真GNSS中断条件下）中的误差的强烈影响，并且可能仅使用所建立的3D对应总数的一小部分来确定未知的方位角。
2022-01-03 cs.CV cs.RO
Mapping with Reflection -- Detection and Utilization of Reflection in 3D Lidar Scans
School of Information Science and Technology, ShanghaiTech University（上海科技大学信息科学与技术学院）；Mobile Autonomous Robotic Systems Lab (MARS Lab)（移动自主机器人系统实验室（MARS实验室））；ShanghaiTech University（上海科技大学）
本文提出了一种方法来检测3D光探测和测距（激光雷达）扫描的反射，并使用它来分类点，也映射视线外的对象。我们的软件使用几种方法来分析点云，包括强度峰值检测，双返回检测，平面拟合和寻找边界。这些方法可以对点云进行分类并检测其中的反射点，通过在检测到的窗口窗格上镜像反射点并在反射点上添加分类标签，可以在同时定位与地图构建（SLAM）框架中提高地图质量。使用真实扫描数据和地面实况数据的实验表明，我们的方法的有效性。
2020-10-27 cs.RO
Enhanced Laser-Scan Matching with Online Error Estimation for Highway and Tunnel Driving
Tufts University（塔夫茨大学）
激光雷达数据可用于生成点云，用于自动驾驶车辆或移动机器人平台的导航。扫描匹配是估计最佳对齐两个点云的刚性变换的过程，是激光雷达测距法（一种航位推算）的基础。当绝对传感器（如GPS）不可用时，激光雷达测距法特别有用。在这里，我们提出了迭代最近椭球变换（ICET），扫描匹配算法，它提供了两个新的改进，目前国家的最先进的正态分布变换（NDT）。与NDT类似，ICET将激光雷达数据分解为体素，并将高斯分布拟合到每个体素内的点。ICET的第一个创新通过抑制沿着这些方向的解来减少沿着大平面的几何模糊性。ICET的第二个创新是推断与连续点云之间的位置和方向变换相关联的输出误差协方差;当ICET被并入到诸如扩展卡尔曼滤波器之类的状态估计例程中时，误差协方差特别有用。我们构建了一个模拟，比较ICET和NDT在2D空间中的性能，有和没有几何模糊性，发现ICET产生优越的估计，同时准确地预测解决方案的精度。
2022-07-29 cs.CV cs.RO
That's My Point: Compact Object-centric LiDAR Pose Estimation for Large-scale Outdoor Localisation
University of Oxford（牛津大学）
本文提出一种紧凑的基于对象的LiDAR位姿估计方法，通过语义对象质心与类别压缩点云表示，结合自相关-互相关匹配网络及加权SVD与RANSAC实现配准，在KITTI等数据集上以约一半存储达到SOTA级定位精度。
2024-03-07 cs.CV cs.RO
Learning Geometric and Photometric Features from Panoramic LiDAR Scans for Outdoor Place Categorization
Graduate School of Information Science and Electrical Engineering, Kyushu University（九州大学信息科学与电子工程研究生院）；Jet Propulsion Laboratory, California Institute of Technology（加州理工学院喷气推进实验室）；Faculty of Information Science and Electrical Engineering, Kyushu University（九州大学信息科学与电子工程学部）；Technical University of Cartagena（卡塔赫纳技术大学）
本文提出利用CNN处理LiDAR获取的全景深度/反照率图像，通过构建MPO数据集实现户外场所分类，优于传统方法，验证了深度与反照率模态的联合使用有效性。
2026-03-13 cs.CV cs.RO
Dr-LiSA: Direct Radar-Lidar Scan Alignment for SE(3) Localization
University of Toronto（多伦多大学）；ETH Zürich（苏黎世联邦理工学院）
Dr-LiSA 提出一种直接配准方法，利用学习的前向模型将 2D 雷达扫描与 3D 激光雷达地图在 $SE(3)$ 中对齐，克服模态差异，在 90 公里数据上优于现有雷达-激光雷达方法，平面精度媲美雷达-雷达系统。
2026-10-06 cs.RO
Unsupervised Domain Adaptation for LiDAR Panoptic Segmentation
University of Freiburg（弗莱堡大学）
场景理解是自主车辆在环境中安全导航的关键任务。深度学习的最新进展使人们能够从LiDAR数据中准确地重建周围环境的语义。然而，这些模型在部署在配备不同LiDAR设置的车辆上时遇到了很大的域差距，这大大降低了它们的性能。由于记录和手动标记新数据的过程昂贵且繁琐，因此为每个新设置微调模型是不可行的。因此，无监督领域自适应（UDA）技术是必不可少的，以填补这一领域的差距，并保持新的传感器设置模型的性能，而不需要额外的数据标记。在本文中，我们提出了AdaptLPS，一种新的UDA激光雷达全景分割的方法，利用特定于任务的知识，并占扫描线的数量，安装位置，强度分布和环境条件的变化。我们采用两个互补的领域自适应策略，基于数据和基于模型的UDA任务。虽然基于数据的自适应通过处理原始LiDAR扫描以类似于目标域中的扫描来减少域间隙，但基于模型的技术指导网络提取代表两个域的特征。对三对真实世界自动驾驶数据集的广泛评估表明，AdaptLPS在PQ得分方面优于现有的UDA方法高达6.41 pp。
2022-02-28 cs.CV cs.RO
Adaptive Lidar Scan Frame Integration: Tracking Known MAVs in 3D Point Clouds
University of Turku（图尔库大学）
微型飞行器（MAV）在多个行业和应用领域变得无处不在。只有机载飞行控制器和最小传感器套件的轻型微型飞行器（例如，IMU、视觉和垂直测距传感器）具有作为移动和易于部署的传感平台的潜力。当从地面机器人部署时，一个关键参数是地面机器人和MAV之间的相对定位。提出了一种在激光雷达点云中跟踪微型飞行器的新方法。在激光雷达点云中，我们考虑MAV的速度和距离，以主动适应激光雷达的帧积分时间，本质上是要处理的点云的密度和大小。我们表明，这种方法可以更持久和强大的跟踪时，MAV的速度或其距离的跟踪传感器的变化。此外，我们提出了一种多模态跟踪方法，该方法依赖于高频扫描进行精确的状态估计，低频扫描进行鲁棒性和持久性跟踪，以及亚Hz处理进行轨迹和对象识别。这三种集成和处理模式允许总体准确和鲁棒的MAV跟踪，同时确保被跟踪的对象满足形状和尺寸约束。
2021-04-29 cs.RO
Optimized SC-F-LOAM: Optimized Fast LiDAR Odometry and Mapping Using Scan Context
Chongqing University（重庆大学）
LiDAR里程计可以在短行驶距离或小规模环境中实现精确的车辆姿态估计，但是对于长行驶距离或大规模环境，由于累积的估计误差，精度恶化。此缺点需要在SLAM框架中包含环路闭合检测以抑制累积误差的不利影响。为了提高姿态估计的准确性，我们提出了一种新的基于LiDAR的SLAM方法，该方法使用F-LOAM作为LiDAR里程计，扫描上下文用于环路闭合检测，GTSAM用于全局优化。在我们的方法中，一个自适应的距离阈值（而不是一个固定的阈值）的环路闭合检测，实现更准确的环路闭合检测结果。此外，在我们的方法中使用基于特征的匹配方法来计算环路闭合点云对之间的车辆姿态变换，而不是使用由LiDAR传感器获得的原始点云，这显着减少了计算时间。KITTI数据集用于验证我们的方法，实验结果表明，所提出的方法优于典型的LiDAR测距/SLAM方法在文献中。我们的代码是为了社区的利益而公开提供的。
2023-03-15 cs.RO
Robust Moving Objects Detection in Lidar Data Exploiting Visual Cues
Politecnico di Milano（米兰理工大学）
从激光雷达扫描序列中检测动态场景中的运动目标是目标跟踪、地图绘制、定位和导航中的一项重要任务。许多作品集中在以前观察到的场景中的变化检测，而非常有限的文献地址移动对象检测。最先进的方法利用Dempster-Shafer理论来评估激光雷达扫描的占用率，并将属于静态场景的点与移动场景的点区分开来。在本文中，我们提高了速度和准确性，这种方法通过离散化的占用表示，并通过视觉线索消除误报。由于采用了一种新颖的地平面去除算法，许多位于地平面上的误报也被去除。通过八叉树索引策略提高了效率。对KITTI公共数据集的实验评估表明，我们的方法的有效性，无论是定性和定量的国家的最先进的。
2016-09-29 cs.CV cs.RO
Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement
University of Maryland（马里兰大学）；Stanford University（斯坦福大学）
本文提出Paired-CSLiDAR基准，通过高度分层ICP、反向注册方向和置信度门控选择，实现空地LiDAR姿态精修，优于现有方法，验证了RMSE基于姿态选择的有效性。
2026-05-01 cs.CV cs.RO
Self-supervised Point Cloud Prediction Using 3D Spatio-temporal Convolutional Networks
University of Bonn（波恩大学）
利用过去的三维激光雷达扫描来预测未来的点云是一种很有前途的方法，自主移动系统，以实现前瞻性的状态估计，避免碰撞，和规划。在本文中，我们解决的问题，预测未来的三维激光雷达点云给定的序列过去的激光雷达扫描。在传感器级别上估计未来场景不需要像定位或跟踪系统中那样的任何先前步骤，并且可以进行自我监督训练。我们提出了一种端到端的方法，利用每个3D激光雷达扫描的2D范围图像表示，并连接范围图像序列以获得3D张量。基于这样的张量，我们开发了一个编码器-解码器架构，使用3D卷积来联合聚合场景的空间和时间信息，并预测未来的3D点云。我们在多个数据集上评估了我们的方法，实验结果表明，我们的方法优于现有的点云预测架构，并且可以很好地推广到新的、看不见的环境，而无需进行额外的微调。我们的方法在线运行，并且比10 Hz的常见LiDAR帧速率更快。
2021-10-18 cs.CV cs.RO
RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps
University of Freiburg（弗莱堡大学）
提出RaLF，一种基于深度神经网络的雷达定位方法，通过跨模态度量学习实现地点识别，并利用像素级流向量预测3自由度变换，在多个真实数据集上达到最先进性能并泛化到新城市和传感器配置。
2024-11-04 cs.CV cs.RO
UpDown-SC: Gravity-Canonicalized Dual-Envelope Scan Context for Indoor LiDAR Place Recognition
Anyverse Dynamics
针对室内LiDAR地点识别中姿态和高度变化导致的检索困难，提出无需训练的UpDown-SC描述子，通过重力归一化和双包络表示，在实验中显著提升检索可靠性并支持定位。
2026-09-25 cs.CV cs.RO
Efficient Spatial-Temporal Information Fusion for LiDAR-Based 3D Moving Object Segmentation
Northwestern Polytechnical University（西北工业大学）；HAOMO.AI Tech. Co., Ltd.（毫末智行科技有限公司）
精确的运动目标分割是自动驾驶的一项重要任务。它可以为许多下游任务提供有效的信息，如避碰，路径规划和静态地图构建。如何有效地利用时空信息是三维激光雷达运动目标分割的关键问题。在这项工作中，我们提出了一种新的深度神经网络，利用时空信息和激光雷达扫描的不同表示方式来提高激光雷达MOS的性能。具体来说，我们首先使用基于距离图像的双分支结构来分别处理可以从连续激光雷达扫描中获得的空间和时间信息，然后使用运动引导注意力模块将它们结合起来。我们还通过3D稀疏卷积使用点细化模块来融合来自LiDAR范围图像和点云表示的信息，并减少对象边界上的伪影。我们验证了我们提出的方法的有效性的LiDAR-MOS基准SemanticKITTI。我们的方法在LiDAR-MOS IoU方面明显优于最先进的方法。受益于设计的粗到细的架构，我们的方法在传感器帧速率在线操作。我们的方法的实现可以在https://github.com/haomo-ai/MotionSeg3D上作为开源获得。
2022-07-05 cs.CV cs.RO
LiDAR-EDIT: LiDAR Data Generation by Editing the Object Layouts in Real-World Scenes
University of Utah（犹他大学）；University of Michigan（密歇根大学）；University of Pennsylvania（宾夕法尼亚大学）
LiDAR-EDIT通过编辑真实场景中的物体布局生成可控、真实的激光雷达数据，支持反事实场景并保留背景，实验证明其实际应用价值。
2025-05-24 cs.AI cs.CV cs.LG
4D Panoptic LiDAR Segmentation
Technical University of Munich（慕尼黑工业大学）；University of Bonn（波恩大学）
时间语义场景理解对于在动态环境中运行的自动驾驶汽车或机器人至关重要。在本文中，我们提出了4D全景激光雷达分割分配一个语义类和一个时间一致的实例ID的3D点序列。为此，我们提出了一种方法和一个以点为中心的评价指标。我们的方法确定了一个语义类的每一个点，同时建模对象实例的概率分布在4D时空域。我们并行处理多个点云，并解决点到实例的关联，有效地减轻了显式的时态数据关联的需要。受多目标跟踪基准测试的最新进展的启发，我们建议采用一种新的评估指标，该指标将任务的语义和点到实例关联方面分开。通过这项工作，我们的目标是为未来的时间激光雷达全景感知的发展铺平道路。
2021-04-07 cs.CV cs.RO
