本文针对自动驾驶中实时、高性能三维物体检测的问题，提出了基于支柱的检测器 PillarNet。与现有的点云和三维卷积方法不同，PillarNet 仅使用 2D 卷积且具有高效灵活等特点，经过大规模数据集测试表明比现有方法有更好的效果和性能。

May, 2022

本研究探讨了深度卷积神经网络背骨选择对于基于 LiDAR 传感器数据的 3D 目标检测精度和计算速度的影响，测试了 10 种不同的卷积神经网络架构，并在保证检测效率（以 mAP 度量）的前提下，显著提高 LiDAR 点云中 3D 物体检测速度。

Sep, 2022

本研究提出了一种具有开创性的算法硬件协同设计，利用 PointPillars 编码的稀疏性加速 3D 目标检测网络的处理，达到了极高的节能与速度。

May, 2023

本文提出了基于 pillar 的算法模型在 LiDAR 3D 目标检测中的效果以及在架构和训练等方面的现代化设计，通过扩大感受野等方法取得了显著提升，在 Waymo 开放数据集和 nuScenes 数据集上实现了最优性能。

May, 2023

本篇论文提出了一种适用于自动驾驶的简单灵活的物体检测框架，该框架基于车载点云数据的稀疏性质，通过柱状体进行多视角特征学习来解决过去方法因锚点不平衡带来的问题，采用一种新的适配柱状体的映射模块实现更精准的检测，而且该算法还避免了过去方法中涉及超参数搜索的问题，较大地提高了 3D 物体检测的准确率。

Jul, 2020

通过时间周期性地利用 LiDAR 数据的柱状表示，TimePillars 可以实现在硬件集成效率约束下利用 Zenseact Open 数据集的多样性和长距离信息，从而实现稳健且高效的目标检测。

Dec, 2023

我们提出了一种基于 pillar 的 3D 单物体跟踪框架 PillarTrack，通过将稀疏的点云转化为稠密的 pillar 来保留本地和全局几何特征，并引入了一种金字塔型编码 pillar 特征编码器（PE-PFE）设计以提高每个 pillar 的特征表示，并从模态差异的角度介绍了一种高效的基于 Transformer 的骨干网络。通过在 KITTI 和 nuScenes 数据集上进行广泛实验，我们的方法表现卓越，并实现了实时跟踪速度。我们希望我们的工作能够鼓励社区重新思考现有的 3D 单物体跟踪器设计。

Apr, 2024

提出的 PillarNeXt 方案利用多线 LiDAR 和基于点云的三维探测器，在自动驾驶中提取多尺度特征，并通过特征编码、骨干网络和网络结构改进来优化性能。

May, 2024

我们提出了一种新颖的点云生成模型，称为 Pillar-based Point Generation Network (PillarGen)，它可以将一个域中的点云转换为另一个域中的点云，并生成密度和质量增强的合成点云。该模型通过三个步骤进行：pillar 编码、被占用 pillar 预测和 pillar 到点生成。我们利用自有的雷达数据集评估了 PillarGen 的性能，在短程雷达数据中利用长程雷达数据作为监督实现了密度和质量的提升。实验证明，PillarGen 在定量和定性指标上优于传统的点云上采样方法。我们还证实，将 PillarGen 应用于鸟瞰目标检测可以显著提高检测准确性。

Mar, 2024

本研究论文展示了 2D 背骨缩放和预训练对基于 pillar 的三维物体探测器的有效性，通过引入在大规模图像数据集上预训练的密集 ConvNet 作为 pillar-based 探测器的 2D 背骨，基于模型大小自适应设计的 ConvNets 可根据点云的特征（如稀疏性和不规则性）发挥其在点云领域的扩展能力，我们提出的 PillarNeSt 在 nuScenes 和 Argoversev2 数据集上远远超过现有的 3D 物体探测器。

Nov, 2023