该研究提出了一种新的部分重叠点云的实时配准方法，利用点云的特征编码器和基于图的注意力网络来学习和优化对应关系，实现了与现有方法相当的性能和更快的推理速度。

Dec, 2021

本文提出了一种基于学习的 3D 物体跟踪方法，通过从时间点云数据中学习物体对应关系和运动信息的模式，利用 lidar 数据和运动估计技术进行跟踪，以及采用简单有效的速度平滑模块对物体的运动进行估计，从而在 KITTI 和更大规模的 Nuscenes 数据集上优于现有的 3D 跟踪方法。

Oct, 2020

PointTrackNet 使用机器学习技术构建一个端到端的 3D 目标检测和跟踪网络，在处理极端运动状态下的 KITTI 跟踪数据集时表现卓越。

Feb, 2020

本文提出了使用基于点的方法代替基于盒子的方法进行三维物体的探测、跟踪及定位，并介绍了该方法中的 CenterPoint 框架，该框架检测对象的中心，然后针对其进行其他属性的回归，简化了物体跟踪，最终在 nuScenes 基准测试中达到了 65.5 NDS 和 63.8 AMOTA 的最高性能，同时超过了之前单一模型方法的所有记录，并在所有 Lidar-only 提交中排名第一。

Jun, 2020

我们研究了 3D 注册问题的一个变种，名为多模型 3D 注册。在多模型注册问题中，我们给出两个描绘了不同姿态下一组物体（可能包括属于背景的点）的点云，并且我们希望同时重建出这两个点云之间所有物体的运动。该方法通用于标准的 3D 注册，其中需要重建出单个姿态，例如传感器描绘静态场景的运动。此外，它为相关的机器人应用提供了数学上的基础，例如，机器人上的深度传感器感知动态场景，并且目标是在同时恢复出自身的运动（从静态部分场景中）以及所有动态物体的运动。我们假设一个基于对应关系的设置，在两个点云之间存在着匹配关系，同时考虑了这些对应关系受到异常值干扰的实际情况。然后，我们提出了一种基于期望最大化（Expectation-Maximization）的简单方法，并建立了 EM 方法收敛到真实结果的理论条件。我们在从桌面场景到自动驾驶场景的模拟和实际数据集上评估了该方法，并证明其与最先进的场景流方法相结合时的有效性。

Feb, 2024

通过领域自适应将感知域中的真实场景特征与概念域中的增强场景特征进行关联，提出了一种新的 3D 检测框架，同时引入基于注意力的重加权模块，无需增加推理成本即可利用网络特征增强能力，在 KITTI 3D 检测基准测试中实现了更高的性能。

Aug, 2022

该研究提出了一种可靠和准确的基于 3D 跟踪的框架，可在众多应用中预测周围物体的未来位置和规划观察者的行动，通过使用拟密度相似性学习，基于 2D 图像，进行初始 2D 关联，并进一步利用 3D 边界框深度排序启发式来实现强健的实例关联和基于运动的 3D 轨迹预测，实验表明，在基准测试中，该框架在城市驾驶场景下具有稳健的物体关联和跟踪，可用于自动驾驶。

Mar, 2021

本研究提出了一种基于 SimTrack 的 3D 多目标跟踪系统，旨在简化手工制作的跟踪范例，通过使用端到端可训练的模型从原始点云中进行联合检测和跟踪，无需启发式匹配步骤，将跟踪对象的关联，新生对象的检测和死亡轨迹的消除集成为一个统一的模型。

Aug, 2021

本文提出了一种新的实时方法，基于三维点云序列，采用时间上下文聚合实现动态检测和运动参数估计，可适用于自动驾驶车辆在复杂城市环境下进行安全导航，不仅可以估计车辆或行人等常见道路参与者的运动，还可推广到其他没有在训练数据中出现的物体类别，并对不同的时间上下文聚合策略进行了深入的分析，提供了我们最先进模型与 KITTI 场景流数据集上现有解决方案的比较结果。

Apr, 2020

本文提出一种基于分割的 6D 姿态估计框架，使用关键点检测获取局部姿态预测，并根据置信度预测将这些姿态候选融合成可靠的 3D-to-2D 对应关系，从而在多个低纹理物体相互遮挡的情况下获得最优姿态估计，其采用简单且高效的架构实现实时性能。

Dec, 2018