Addressing Data Misalignment in Image-LiDAR Fusion on Point Cloud Segmentation
针对相机与LiDAR融合中点云投影错位导致分割困难的问题，本文基于nuScenes和2DPASS分析原因并提出改进方案。
2023-09-26 cs.CV
LFP: Efficient and Accurate End-to-End Lane-Level Planning via Camera-LiDAR Fusion
School of Computer Science and Technology, University of Science and Technology of China (USTC)（中国科学技术大学计算机科学与技术学院）；SenseTime Research（商汤科技研究院）；Shanghai AI Laboratory（上海人工智能实验室）；School of Artificial Intelligence and Data Science, University of Science and Technology of China (USTC)（中国科学技术大学人工智能与数据科学学院）
提出LFP方法，通过车道级相机-LiDAR融合规划解决自动驾驶多模态系统冗余问题，设计三个模块提升效率与性能，在Carla基准上实现SOTA，驾驶分数和违规分数最高提升15%和14%，保持19.27 FPS。
2024-09-21 cs.CV
LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting
Unmanned Vehicle Dept. of CaiNiao Inc., Alibaba Group（阿里巴巴集团 Cainiao 无人机部门）；Sun Yat-sen University（中山大学）；Zhejiang University（浙江大学）
LiDAR-GS提出一种基于Gaussian Splatting的实时高保真LiDAR重仿真方法，通过可微激光束溅射和神经高斯表示解决主动传感器特性建模挑战，实现深度、强度和射线丢弃通道的高质量同步重仿真，渲染帧率与质量均达最优。
2025-10-13 cs.CV
CRLF: Automatic Calibration and Refinement based on Line Feature for LiDAR and Camera in Road Scenes
SenseTime（商汤科技）
对于自动驾驶汽车，LiDAR和摄像头的精确校准是多传感器感知系统的先决条件。然而，现有的校准技术要么需要复杂的设置与各种校准目标，或预先提供的初始校准，这极大地阻碍了它们在大规模自主车辆部署中的适用性。为了解决这些问题，我们提出了一种新的方法来校准激光雷达和摄像机在道路场景中的外部参数。我们的方法介绍了从静态直线形状的物体，如道路车道和电线杆在图像和点云的线功能，并制定了外部参数的初始校准作为一个透视3线（P3L）的问题。随后，根据线特征的语义约束定义的成本函数被设计用于对求解的粗校准执行细化。整个过程是全自动和用户友好的，无需调整环境设置或提供初始校准。我们在KITTI和我们的内部数据集上进行了大量的实验，定量和定性的结果证明了我们的方法的鲁棒性和准确性。
2021-03-08 cs.CV cs.RO
Analyzing Infrastructure LiDAR Placement with Realistic LiDAR Simulation Library
Shanghai AI Laboratory（上海人工智能实验室）；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
针对路侧激光雷达最优部署研究不足的问题，本文构建真实激光雷达仿真库生成高保真点云，提出部署优化流程，经实验验证该方法可使标准车道场景下感知平均精度提升15%，相关代码将开源。
2025-01-14 cs.CV cs.RO
SpheriGait: Enriching Spatial Representation via Spherical Projection for LiDAR-based Gait Recognition
Beijing Institute of Technology（北京理工大学）；Shanghai Jiao Tong University（上海交通大学）
针对基于LiDAR的步态识别，提出SpheriGait方法，用球面投影替代平面投影增强3D动态特征，并设计DAM-L网络块提取步态线索，在SUSTech1K数据集上达到最先进性能，且可作为通用预处理技术提升其他方法。
2024-09-18 cs.CV
M$^2$-3DLaneNet: Exploring Multi-Modal 3D Lane Detection
CUHK-Shenzhen（香港中文大学（深圳））；Tencent Map（腾讯地图）
本文提出M$^2$-3DLaneNet，通过深度补全与跨模态BEV融合整合LiDAR和图像特征，解决单目3D车道线检测的投影误差与几何信息丢失问题，并在OpenLane数据集上验证了其有效性。
2023-08-08 cs.CV
Splat-LOAM: Gaussian Splatting LiDAR Odometry and Mapping
Sapienza University of Rome（罗马大学）；University of Amsterdam（阿姆斯特丹大学）
针对激光雷达建图中精度与内存、速度难兼顾的问题，提出基于高斯泼溅的Splat-LOAM流水线，用球面投影驱动高斯基元优化，配准性能持平现有水平，低GPU需求下建图达SOTA，适用于实时机器人任务。
2025-03-21 cs.CV cs.RO
K-Lane: Lidar Lane Dataset and Benchmark for Urban Roads and Highways
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对现有激光雷达车道检测研究受限于大型公开数据集不足的问题，本文提出全球最大的城市与高速激光雷达车道数据集K-Lane，并设计基于全局特征相关器的基线网络LLDN-GFC，在多场景下实现了SOTA检测性能，同时开源全套开发工具。
2023-11-07 cs.AI cs.CV cs.RO
Neural Implicit Representation for Highly Dynamic LiDAR Mapping and Odometry
University of Bath（巴斯大学）；ShanXi University（山西大学）
本文提出一种基于NeRF-LOAM的神经隐式表示方法，通过分离动静态前景并扩展八叉树多分辨率结构，有效提升了高度动态室外场景的LiDAR建图与里程计重建质量。
2024-09-26 cs.CV
Beyond the Proving Ground: Independent Public-Road Testing of Assisted Lane Change Systems using LiDAR
本研究提出公共道路独立测试辅助变道系统的方法，在法国A31高速开展测试，发现部分系统操作未达UNECE第79号法规安全距离要求，验证了LiDAR传感的适用性，可支持市场监管与法规修订。
2026-08-28 cs.CV cs.RO
LiHi-GS: LiDAR-Supervised Gaussian Splatting for Highway Driving Scene Reconstruction
Latitude AI；Department of Robotics, University of Michigan（机器人学系，密歇根大学）
LiHi-GS通过LiDAR监督提升高速公路场景重建与合成，解决传统方法在高速场景和LiDAR利用上的不足。
2025-11-25 cs.CV cs.RO
EEPNet: Efficient Edge Pixel-based Matching Network for Cross-Modal Dynamic Registration between LiDAR and Camera
School of Control Science and Engineering, Shandong University（山东大学控制科学与工程学院）
本文提出EEPNet，利用点云投影反射率图和边缘像素匹配优化，解决LiDAR与相机跨模态配准中模态差异大、计算开销高的问题，实现高精度实时配准。
2024-09-28 cs.CV eess.IV
RENO: Real-Time Neural Compression for 3D LiDAR Point Clouds
Nanjing University（南京大学）；Hangzhou Normal University（杭州师范大学）；University of California Riverside（加州大学河滨分校）
本文提出首个3D LiDAR点云实时神经编解码器RENO，基于多尺度稀疏张量与稀疏占用码实现一次性占用推理，在RTX 3090上以1MB模型达到10 fps并显著降低码率。
2025-03-16 cs.CV eess.IV
Multi-modal curb detection and filtering
Scania（斯堪尼亚）
可靠的道路边界知识对于自主车辆导航至关重要。我们提出了一个强大的路边检测和过滤技术的基础上融合的相机语义和密集的激光雷达点云。通过融合多个激光雷达来收集激光雷达点云，以进行鲁棒的特征检测。相机语义是基于修改后的EfficientNet架构，该架构是用从机载鱼眼相机收集的标记数据进行训练的。在利用鱼眼模型投影将点云投影到图像空间中之后，利用$L_2$范数分析将点云与最近的路缘线段相关联。接下来，使用无监督的基于密度的空间聚类对所选择的点进行聚类，以检测不同的路边区域。当在连续帧中检测到新的路缘点时，使用时间可达性约束将它们与现有路缘簇相关联。如果没有找到可达性约束，则从这些新点形成新的路缘簇。这确保我们可以检测到多个路缘存在于由多个车道组成的路段中，如果它们在传感器的视野中。最后，应用Delaunay滤波去除离群点，并将其性能与传统的基于RANSAC的滤波进行比较。使用从商业地图供应商获得的包含地面实况路缘点的高清地图对所提出的解决方案进行客观评估。所提出的系统已被证明能够检测任何方向的路缘石在复杂的城市道路场景，包括直线道路，弯曲的道路，和交叉口与交通岛。
2022-05-14 cs.CV cs.RO
Effective Multi-sensor Conditioning for Street-view Novel-view Synthesis
Stanford Univerity（斯坦福大学）；NVIDIA
提出StreetNVS视频扩散框架，通过参考增强相机注意力模块和相对射线级位置编码联合利用LiDAR、环视图像和相机位姿，实现稀疏LiDAR条件下的高质量街景新视角合成。
2026-08-20 cs.CV cs.GR
Advancements in Road Lane Mapping: Comparative Fine-Tuning Analysis of Deep Learning-based Semantic Segmentation Methods Using Aerial Imagery
本研究比较了十二种深度学习语义分割模型在部分标注数据集下的迁移学习性能，发现基于Transformer的模型优于卷积神经网络，微调后显著提升了从航空影像提取道路车道线的性能，对自动驾驶HD地图开发具有重要意义。
2024-10-15 cs.CV
On Deep Learning for Geometric and Semantic Scene Understanding Using On-Vehicle 3D LiDAR
Durham University（杜伦大学）
针对车载3D LiDAR场景理解的精度与效率挑战，研究提出高保真128通道LiDAR数据集DurLAR、轻量化高效分割流水线及RAPiD特征与RAPiD-Seg架构，提升了自动驾驶LiDAR应用的性能。
2024-11-01 cs.AI cs.CV cs.RO
Pandar128 dataset for lane line detection
Department of Cybernetics（控制学系）；New Technologies for the Information Society（信息社会新技术）
本文发布最大的128线激光雷达车道线检测数据集Pandar128，并提出轻量级基线方法SimpleLidarLane及新的插值感知匹配F1评估指标，以标准化评测并提升车道线检测性能。
2025-11-10 cs.AI cs.CV
LIR-LIVO: A Lightweight,Robust LiDAR/Vision/Inertial Odometry with Illumination-Resilient Deep Features
提出 LIR-LIVO 轻量鲁棒 LiDAR-惯性-视觉里程计，融合抗光照深度特征、LiDAR 深度关联及 Superpoint/LightGlue 匹配，在多个基准上以低算力取得 SOTA 性能。
2025-02-12 cs.CV cs.RO cs.SY
Lane Boundary Geometry Extraction from Satellite Imagery
Northwestern University（西北大学）；New York University（纽约大学）；HERE Company（HERE公司）
自动驾驶汽车正在成为现实，高清地图作为其关键组成部分，在市场和行业中都显示出其价值。尽管从激光雷达或立体/透视图像生成高清地图已经取得了令人印象深刻的成功，但其固有的缺陷不容忽视。在本文中，我们提出了一种基于卫星图像像素分割和形式化假设连接的公路高清地图建模新方法，该方法比现有的基于LiDAR点云和透视图的高清地图建模方法更便宜、更快，并使其成为最新技术的理想补充。我们还将高清道路模型数据集手动编码/标记为地面实况，与Bing图像服务器对齐，以训练、测试和评估我们的方法。该数据集将同时发布，以促进航空影像高清地图建模的研究。
2020-02-06 cs.CV
DV-3DLane: End-to-end Multi-modal 3D Lane Detection with Dual-view Representation
FNii, CUHK-Shenzhen（香港中文大学（深圳）FNii）；School of Science and Engineering, CUHK-Shenzhen（香港中文大学（深圳）理工学院）
针对单目3D车道线检测受深度损失和光照变化的问题，提出融合图像与LiDAR点云的DV-3DLane框架，通过双视角特征融合等设计在OpenLane基准上取得SOTA性能。
2024-06-23 cs.CV
Deep Multi-Sensor Lane Detection
Uber Advanced Technologies Group（优步先进技术集团）；University of Toronto（多伦多大学）
可靠而准确的车道检测一直是自动驾驶领域的一个长期问题。近年来，已经开发了许多使用图像（或视频）作为图像空间中的输入和推理的方法。在本文中，我们认为，准确的图像估计不转化为精确的三维车道边界，这是现代运动规划算法所需的输入。为了解决这个问题，我们提出了一种新型的深度神经网络，它利用了LiDAR和相机传感器，并直接在3D空间中产生非常准确的估计。我们展示了我们的方法在高速公路和城市中的性能，并在复杂的场景中显示了非常准确的估计，如交通繁忙（产生闭塞），分叉，合并和交叉口。
2019-05-04 cs.CV
3D Modeling and Automated Measurement of Concrete Cracks via Segment Anything Refinement and Visual Inertial LiDAR Fusion
School of Civil Engineering（土木工程学院）；Central South University（中南大学）；Hunan Provincial Key Laboratory for Disaster Prevention and Mitigation of Rail Transit Engineering Structures（湖南省铁路工程结构灾害预防与 mitigation 工程结构重点实验室）；Nvidia；School of Computing（计算学院）；Newcastle University（新castle大学）
本文提出了一种结合计算机视觉技术和多模态同时定位与建图（SLAM）的创新框架，用于二维裂缝检测、三维重建和三维自动裂缝测量，解决了现有方法在适应性和鲁棒性方面的不足，特别是在处理曲线或复杂几何形状时的挑战。
2026-05-18 cs.CV cs.RO
PALMAR: Towards Adaptive Multi-inhabitant Activity Recognition in Point-Cloud Technology
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
随着深度神经网络和基于计算机视觉的人类活动识别的发展，点云数据技术（LiDAR，mmWave）的使用由于其隐私保护性质而引起了很多兴趣。鉴于准确的PCD技术的高承诺，我们开发，PALMAR，多居民活动识别系统，采用高效的信号处理和新的机器学习技术来跟踪个人发展自适应多居民跟踪和HAR系统。更具体地说，我们提出了（i）一个基于体素化特征表示的实时PCD微调方法，（ii）有效的聚类（DBSCAN和BIRCH）、基于自适应顺序隐马尔可夫模型的多人跟踪和交叉模糊度降低技术以及（iii）新的基于自适应深度学习的领域自适应技术，以在数据稀缺和多样性的情况下提高HAR的准确性（设备、位置和种群多样性）。我们实验评估我们的框架和系统使用（i）实时PCD收集三个设备（3D LiDAR和79 GHz毫米波），来自6名参与者，（ii）一份公开提供的3D LiDAR活动数据（28名参与者）和（iii）一个嵌入式硬件原型系统，在多居民（96%）场景中提供了有希望的HAR性能，多居民（63%）的改善，人员跟踪，而不会损失边缘计算设备中的显著系统性能。
2022-12-03 cs.AI cs.CV
LaneCorrect: Self-supervised Lane Detection
School of Data Science, Fudan University（复旦大学数据科学学院）；Huawei Noah’s Ark Lab（华为诺亚实验室）
提出自监督车道线检测框架 LaneCorrect，利用 LiDAR 点云获取噪声标签并通过对抗增强学习几何一致性与实例感知自动校正标签，无需人工标注即可在多个基准上取得媲美监督方法的性能。
2025-04-28 cs.CV
MOVIN: Real-time Motion Capture using a Single LiDAR
MOVIN Inc.（MOVIN公司）；Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院（KAIST））；Gwangju Institute of Science and Technology (GIST)（光州科学技术院（GIST））
本文提出 MOVIN，利用单个 LiDAR 和自回归 CVAE 从三维点云实时重建带全局轨迹的连贯人体姿态，并通过实验与实时应用验证其有效性。
2023-09-17 cs.CV cs.GR
REHEARSE-3D: A Multi-modal Emulated Rain Dataset for 3D Point Cloud De-raining
Halmstad University（哈尔姆斯塔德大学）；University of Warwick（华威大学）；Technische Hochschule Ingolstadt（英戈尔施塔特应用技术大学）
本文发布大规模多模态仿真雨数据集REHEARSE-3D，融合高分辨率LiDAR与4D Radar点云并含逐点标注和降雨特征信息，用于基准测试三维点云去雨方法。
2025-05-08 cs.CV cs.RO
LOGen: Toward Lidar Object Generation by Point Diffusion
LIGM, Ecole des Ponts, Univ Gustave Eiffel, CNRS（LIGM，巴黎理工学院，埃菲尔大学，CNRS）
LOGen提出一种基于扩散的模型，用于生成激光雷达物体的点云（含强度），通过条件信息实现可控生成，并在nuScenes和KITTI-360上验证了质量。
2025-09-25 cs.CV
UrbanTwin: Synthetic Roadside LiDAR Datasets
University of Central Florida（中央佛罗里达大学）
UrbanTwin数据集通过数字孪生技术生成，提供高保真合成道路激光雷达数据，用于提升3D目标检测等任务的模型训练效果。
2026-01-30 cs.CV
WZPlanner: Safe End-to-End Path Planning for Autonomous Driving in Work Zones
Carnegie Mellon University（卡内基梅隆大学）
针对施工区地图缺失与数据稀缺问题，提出WorkZonePlan数据集和BF++模型，联合预测车道/施工区边界与轨迹，以更小模型实现更高驾驶得分，提升施工区自动驾驶安全性。
2026-09-18 cs.CV
RasterNet: Modeling Free-Flow Speed using LiDAR and Overhead Imagery
University of Kentucky（肯塔基大学）；Simon Fraser University（西蒙弗雷泽大学）；DZYNE Technologies（DZYNE科技公司）
道路自由流速度捕获低交通状况下的典型车辆速度。自由流速度的建模是交通工程中的一个重要问题，其应用于公路系统的各种设计、运营、规划和政策决策。不幸的是，收集大规模的历史交通速度数据是昂贵和耗时的。用于估计自由流速度的传统方法使用基础路段的几何特性，例如坡度、曲率、车道宽度、侧向净空和接入点密度，但是对于许多道路，这些特征不可用。我们提出了一个完全自动化的方法，RasterNet，估计自由流动的速度，而不需要明确的几何特征。RasterNet是一个神经网络，它使用地理空间一致的栅格结构融合大规模俯拍影像和航空LiDAR点云。为了支持训练和评估，我们引入了一个新的数据集，该数据集结合了肯塔基州道路段的自由流动速度、头顶图像和LiDAR点云。我们的方法在基准数据集上实现了最先进的结果。
2020-06-14 cs.CV
LiDAR View Synthesis for Robust Vehicle Navigation Without Expert Labels
Technical University of Munich（慕尼黑工业大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；University of Oxford（牛津大学）
本文提出通过网格重建与光线投射合成新视角LiDAR点云以增强训练数据，并利用LiDAR里程计推断驾驶标签，无需专家标注即可提升自动驾驶模型在危险场景下的鲁棒性。
2023-08-05 cs.CV
Forest understory trees can be segmented accurately within sufficiently dense airborne laser scanning point clouds
University of Kentucky（肯塔基大学）
大型森林地区的机载激光扫描（LiDAR）点云可以被处理以分割单个树木，随后提取树木级别的信息。现有的分割程序通常检测到超过90%的上层树木，但他们几乎没有检测到60%的下层树木，因为较高的树冠层的遮挡效应。虽然林下树木提供有限的经济价值，但它们是生态系统功能的重要组成部分，为许多野生动物物种提供栖息地，并影响林分的发展。在这里，我们根据点密度对遮挡效应进行建模。我们估计代表不同树冠层（一个上层和多个下层）的点的分数，并确定合理的树木分割所需的密度（精度平台）。我们发现，在密度为170 pt/m-sqr的林下树木可能被分割为准确的上层树木。鉴于LiDAR传感器技术的进步，点云将能够达到所需的密度。使用大数据的现代计算方法，可以有效地处理更密集的点云，最终实现森林资源的精确远程量化。该方法也可用于其他类似的遥感或先进的成像应用，如地质地下建模或生物医学组织分析。
2017-08-03 cs.CG cs.CV
Automatic Odometry-Less OpenDRIVE Generation From Sparse Point Clouds
Porsche Engineering Group GmbH（保时捷工程集团有限公司）；Stuttgart Media University（斯图加特媒体大学）
针对自动驾驶虚拟测试对真实道路表示的需求，本文提出一种仅用稀疏点云、无需里程计等额外条件的OpenDRIVE道路表示生成方法，可用于仿真场景的道路建模。
2024-05-13 cs.CV cs.RO
Anchor3DLane++: 3D Lane Detection via Sample-Adaptive Sparse 3D Anchor Regression
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；TuSimple（图森未来）；The Chinese University of Hong Kong（香港中文大学）；The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳））；Institute of Artificial Intelligence, Beihang University（北京航空航天大学人工智能研究院）；Hangzhou Innovation Institute, Beihang University（北京航空航天大学杭州创新研究院）
提出无BEV的Anchor3DLane++方法，通过3D车道锚点直接从前视特征预测3D车道，结合自适应锚点生成与等宽损失，并探索相机-激光雷达融合，在三个基准上超越现有最先进方法。
2024-12-22 cs.CV
Fusion of neural networks, for LIDAR-based evidential road mapping
HeuDiaSyc（HeuDiaSyc实验室）；Université de technologie de Compiègne（贡比涅技术大学）；CNRS（法国国家科学研究中心）；Renault S.A.S（雷诺公司）
LIDAR传感器通常用于为自动驾驶车辆提供其环境的3D表示。在理想条件下，几何模型可以在LIDAR扫描中检测道路，但代价是手动调整数值约束，并且缺乏灵活性。相反，我们提出了一个证据管道，积累从神经网络获得的道路检测结果。首先，我们介绍RoadSeg，这是一种新的卷积架构，针对LIDAR扫描中的道路检测进行了优化。RoadSeg用于将各个LIDAR点分类为属于道路或不属于道路。然而，这种点级分类结果需要转换为可由自动驾驶车辆使用的密集表示。因此，我们其次提出了一种证据道路映射算法，融合连续的道路检测结果。我们受益于逻辑分类器的重新解释，这可以被看作是生成一个简单的证据质量函数的集合。然后，通过将来自RoadSeg的分类结果投影到网格单元中，并通过经由冲突分析处理移动对象，可以获得描绘道路的证据网格地图。该系统在真实数据上进行了训练和评估。python实现保持10 Hz的帧速率。由于道路标签需要训练，软标签程序，依赖车道级高清地图，用于生成粗训练和验证集。出于评价目的，手动标记了额外的测试集。为了达到令人满意的结果，该系统融合了从RoadSeg的三个变体中获得的道路检测结果，处理不同的LIDAR特征。
2021-02-05 cs.CV
Vision-Based Lane-Changing Behavior Detection Using Deep Residual Neural Network
准确的车道定位和车道变换检测对于先进的驾驶员辅助系统和自动驾驶系统至关重要，可以实现更安全、更高效的轨迹规划。传统的定位设备，如全球定位系统，只能提供道路级的分辨率为汽车导航，这是不称职的辅助车道级的决策。目前车道定位技术主要是利用光探测和测距传感器来修正全局定位误差，达到厘米级的精度，但LiDAR的实时实现和推广仍然受到其计算负担和成本的限制。作为一种经济有效的替代方案，基于视觉的车道变换检测一直受到高度重视，可负担得起的自动驾驶车辆，以支持车道级定位。开发了基于深度学习的计算机视觉系统，以使用安装在车辆上的前视摄像头捕获的图像和来自高速公路驾驶的惯性测量单元的数据来检测车道变换行为。在实际驾驶数据上的测试结果表明，该方法具有较强的鲁棒性和实时性，车道变换检测准确率可达87%左右。与人类对视觉刺激的平均反应相比，拟议的计算机视觉系统的工作速度快9倍，这使得它能够帮助及时做出挽救生命的决定。
2019-11-08 cs.CV eess.IV
Monocular 3D lane detection for Autonomous Driving: Recent Achievements, Challenges, and Outlooks
The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；The Hong Kong University of Science and Technology（香港科技大学）
本文综述单目视觉3D车道线检测的算法流程、性能、时间复杂度、数据集、挑战与未来方向，以推动基于视觉的自动驾驶感知发展。
2024-10-28 cs.CV
PolarNet: An Improved Grid Representation for Online LiDAR Point Clouds Semantic Segmentation
University of Central Florida（中佛罗里达大学）；U.S. Army Research Laboratory（美国陆军研究实验室）；University of California, Berkeley（加州大学伯克利分校）；Google（谷歌）
自动驾驶系统中对细粒度感知的需求导致最近增加了对单扫描LiDAR的在线语义分割的研究。尽管出现了新兴的数据集和技术进步，但由于以下三个原因，它仍然具有挑战性：（1）需要在有限的硬件下实现近实时延迟;（2）LiDAR点在空间中的不均匀甚至长尾分布;以及（3）越来越多的极细粒度语义类。为了共同应对上述所有挑战，我们提出了一种新的激光雷达专用的无最近邻分割算法- PolarNet。我们的极坐标鸟瞰图表示不是使用普通的球面或鸟瞰图投影，而是在极坐标系中平衡网格单元上的点，间接地将分割网络的注意力与沿径向轴的点的长尾分布对齐。我们发现，我们的编码方案大大增加了真实城市激光雷达单次扫描的三个截然不同的分割数据集的mIoU，同时保持近实时的吞吐量。
2020-04-26 cs.CV
CenterLineDet: CenterLine Graph Detection for Road Lanes with Vehicle-mounted Sensors by Transformer for HD Map Generation
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong Polytechnic University（香港理工大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深港协同创新研究院）
随着自动驾驶技术的快速发展，对高清（HD）地图的需求越来越大，高清地图可以提供有关交通环境静态部分的可靠和鲁棒的先验信息。道路车道中心线作为高清地图的重要组成部分，对后续的预测、规划等任务至关重要。在高清地图中手动标注道路车道中心线是劳动密集型的，昂贵且效率低下，严重限制了自动驾驶系统的广泛应用。由于车道中心线拓扑结构复杂、重叠问题严重，以往的工作很少探讨车道中心线检测问题。在本文中，我们提出了一种新的方法CenterLineDet检测车道中心线自动高清地图生成。我们的CenterLineDet通过模仿学习训练，可以有效地检测车载传感器的中心线图形（即，六个摄像头和一个激光雷达）。由于使用了类似DETR的Transformer网络，CenterLineDet可以处理复杂的图形拓扑，例如车道交叉点。该方法在大规模公共数据集NuScenes上进行了评估。我们的CenterLineDet的优越性证明了比较结果。我们的代码、补充材料和视频演示可在\href{https://tonyxuqaq.github.io/projects/CenterLineDet/}{https://tonyxuqaq.github.io/projects/CenterLineDet/}上获得。
2023-02-28 cs.CV cs.RO
HeightLane: BEV Heightmap guided 3D Lane Detection
Seoul National University（首尔大学）
针对单目 3D 车道检测中地面建模不准确的问题，提出 HeightLane 方法，通过预测高度图并借助可变形注意力变换为 BEV 特征，在 OpenLane 上取得最优 F-score。
2025-01-24 cs.CV
Deep Learning for LiDAR Point Clouds in Autonomous Driving: A Review
University of Waterloo（滑铁卢大学）；Sun Yat-Sen University（中山大学）；Xilinx Technology Beijing Limited（赛灵思科技北京有限公司）；Ryerson University（瑞尔森大学）
最近，深度学习在从3D LiDAR数据进行区分特征学习方面的进步导致了自动驾驶领域的快速发展。然而，自动处理不均匀、非结构化、噪声和大量3D点云是一项具有挑战性且繁琐的任务。在本文中，我们对应用于LiDAR点云的现有引人注目的深度学习架构进行了系统的回顾，详细介绍了自动驾驶中的特定任务，如分割，检测和分类。尽管一些已发表的研究论文专注于自动驾驶汽车计算机视觉的特定主题，但迄今为止，还没有关于自动驾驶汽车LiDAR点云中应用的深度学习的一般调查。因此，本文的目的是缩小在这个问题上的差距。本次调查总结了近五年来的140多项关键贡献，包括里程碑式的3D深度架构，深度学习在3D语义分割、目标检测和分类中的显着应用;特定数据集，评估指标和最先进的性能。最后，我们总结了剩余的挑战和未来的研究。
2020-05-20 cs.CV
CedarCypress3D: an annotated UAV-LiDAR dataset of individual trees in planted cedar and cypress forests
Forestry and Forest Products Research Institute（森林综合研究所）；Green Kogyo
本文提出CedarCypress3D，为温带人工林提供含1627棵树标注的无人机激光雷达数据集，可支撑单株树木分割等相关研究，且部分样地附带地面激光雷达数据。
2026-09-01 cs.CV
High-Fidelity Digital Twins for Bridging the Sim2Real Gap in LiDAR-Based ITS Perception
Department of Civil, Environmental and Construction Engineering, University of Central Florida（土木、环境与建设工程系，中央佛罗里达大学）
针对基于激光雷达的智能交通系统感知中的Sim2Real差距问题，提出融合真实背景几何、车道级拓扑与传感器参数的高保真数字孪生框架，可生成域内合成数据，训练的检测模型性能超真实数据训练模型4.8%，有效降低域偏移。
2025-09-03 cs.CV
Temporal Object Captioning for Street Scene Videos from LiDAR Tracks
Aptiv, Germany（Aptiv公司）；University of Wuppertal, Germany（乌尔姆大学）
针对街景视频描述中时间理解不足的问题，提出基于LiDAR轨迹的模板化描述生成方法，用于监督SwinBERT训练，在三个数据集上显著提升时间理解并减少静态偏差。
2025-05-22 cs.CV cs.LG
Cooperative LIDAR Object Detection via Feature Sharing in Deep Networks
University of Central Florida（中佛罗里达大学）；Toyota Motor North America R&D InfoTech Labs（丰田北美研发信息技术实验室）
通信和计算系统的最新进展导致了联网和自动驾驶车辆中态势感知的显著改善。计算效率高的神经网络和高速无线车载网络已经成为这种改进的一些主要贡献者。然而，由传感和通信系统的固有限制引起的可扩展性和可靠性问题仍然是具有挑战性的问题。在本文中，我们的目标是减轻这些限制的影响，通过引入的概念，合作目标检测（FS-COD）的特征共享。在我们提出的方法中，通过在合作车辆之间共享部分处理的数据，同时保持计算和通信负载之间的平衡，实现了对环境的更好理解。这种方法不同于当前的地图共享方法或不可扩展的原始数据共享方法。通过在Volony数据集上的实验验证了该方法的性能。实验结果表明，该方法与传统的单车辆目标检测方法相比具有明显的性能优势。
2020-02-19 cs.CV
Vision-Language Guidance for LiDAR-based Unsupervised 3D Object Detection
Graz University of Technology（格拉茨工业大学）；Johannes Kepler University Linz（约翰内斯·开普勒大学林茨分校）
本文提出一种仅依赖LiDAR点云的视觉-语言引导无监督3D目标检测方法，通过迁移CLIP知识并结合时空聚类与跟踪，同时检测静态和运动目标并提供类别标签，在Waymo和Argoverse 2上显著超越现有方法。
2024-08-07 cs.CV
Comprehensive Robustness Analysis of LiDAR-based 3D Object Detection in Autonomous Driving
Institute for TMDT, University of Wuppertal, Germany（TMDT研究所，乌尔姆大学，德国）；IKB Faculty of Science, University of British Columbia, Canada（科学学院，不列颠哥伦比亚大学，加拿大）
针对LiDAR-only 3D物体检测模型对抗鲁棒性研究不足的问题，提出一个综合评估框架，通过结构因子（点云密度、定位）和预测因子（误分类、定位误差、自车距离）分析，发现高容量体素检测器比支柱检测器更易受结构化坐标扰动，非锚点检测器鲁棒性差。
2026-07-03 cs.CV
Rethinking Backbone Design for Lightweight 3D Object Detection in LiDAR
Institute for TMDT, University of Wuppertal, Germany（TMDT研究所，乌尔姆大学）
针对现有3D目标检测骨干网络复杂度高的问题，提出首款面向点云3D检测的密集层轻量级骨干Dense Backbone，可即插即用，适配后在精度仅降2%的情况下大幅减参降延迟。
2025-10-22 cs.CV
LabelDistill: Label-guided Cross-modal Knowledge Distillation for Camera-based 3D Object Detection
Korea Advanced Institute of Science and Technology（韩国科学技术院）；dot Inc.（42dot公司）
针对现有跨模态知识蒸馏会将LiDAR固有缺陷迁移给图像检测器的问题，提出LabelDistill方法，通过标签特征嵌入与特征划分提升基于相机的三维目标检测性能，mAP和NDS较基线分别提升5.1和4.9个点。
2024-07-14 cs.CV
Is Your LiDAR Placement Optimized for 3D Scene Understanding?
University of Michigan（密歇根大学）；National University of Singapore（新加坡国立大学）；Carnegie Mellon University（卡内基梅隆大学）
针对现有单激光雷达驾驶数据集缺乏恶劣场景数据的问题，研究提出Place3D全流程管线，通过M-SOG指标优化多激光雷达布置，构建28万帧多条件数据集，在多项感知任务上优于基线方法。
2024-10-30 cs.CV cs.RO
Dual LiDAR-Based Traffic Movement Count Estimation at a Signalized Intersection: Deployment, Data Collection, and Preliminary Analysis
University of California Riverside（加州大学河滨分校）
本文在加州里亚托市一交叉口部署双激光雷达系统，利用三维边界框检测按方向、运动和类别进行交通运动计数估计，并分析结果趋势及改进方向。
2025-07-17 cs.CV cs.SY eess.SY
Spb3DTracker: A Robust LiDAR-Based Person Tracker for Noisy Environment
Superb-AI
针对基于摄像头的人员检测跟踪存在隐私问题、LiDAR方案性能不足的现状，本文提出鲁棒的LiDAR人员跟踪器SpbTrack，在含噪数据集、KITTI基准及自定义室内数据集上实现了LiDAR跟踪器中的最优性能。
2024-08-13 cs.AI cs.CV cs.RO
