本文提出了 LaserNet，一种 3D 物体检测的计算有效方法，它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率，并使用全卷积网络来预测每个点的 3D 框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。

Mar, 2019

本文介绍一种新的基于运动跟踪的大规模数据集并提出适用于全点云的 FastFlow3D 架构，以更好地进行场景流预测并提高现实世界的表现。

Mar, 2021

本文提出了一种基于 LiDAR 的三维多目标跟踪框架 FlowMOT，该框架结合了点运动信息和传统的匹配算法，通过使用匈牙利算法生成最优匹配关系来完成跟踪任务。实验结果表明，该方法胜过最近的端到端方法，并且在各种速度场景下可以稳定地工作。

Dec, 2020

本文提出了一种新的方法，从自动驾驶车辆的稀疏激光雷达数据中估计密集的光流，用作图像不可靠的情况下，如恶劣天气或夜间，替代任何基于图像的光流系统的替代方案。该方法使用多尺度滤波器的三级结构来推断离散范围数据的高分辨率 2D 流，并在 lidar 和图像域中结合多个中间目标。通过使用 FlowNet2 计算的假伪基于图像的光流，我们介绍了一个包含约 20K lidar 样本的 Kitti 数据集，并使用该数据集训练网络。我们在 Kitti 数据集上演示了我们方法的有效性，并表明尽管使用低分辨率和稀疏的 lidar 测量，我们可以回归与基于图像的方法相当的密集光流图。

Aug, 2018

本文提出了一种基于生成的深度图的方法，通过引入像素的稠密性来实现直接从 2D 图像学习 3D 场景流，以及利用统计方法和视差一致性损失来解决噪声点的问题，从而达到了更加有效的自监督学习 3D 场景流的目的。实验证明，这种方法优于合成数据集和激光雷达点云学习的方法，在场景流估计任务中表现出更好的稳定性和准确度。

Sep, 2022

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

该论文研究了在摄像机运动过程中检测移动物体的一种新方法，提出了一种基于光流的变换，可以生成一个不变的二维图像输出，无论时间瞬间、3D 点的范围以及摄像机的速度如何变化。这种方法通过在新域中将 3D 点的投影与预定义的查找图像的值进行比较，能够清晰地识别相对于静止的 3D 环境而言与之不同的投影，从而使移动物体能够无缝地被检测到。该方法不需要运动方向或摄像机速度的先验知识，也不需要 3D 点范围信息，非常适用于实时并行处理，非常实用。通过模拟和实验验证了新域的有效性，在涉及直线摄像机运动的情况下，无论是在模拟中还是在实际数据中，都体现出了其鲁棒性。这种方法为在六自由度摄像机运动过程中检测移动物体引入了新的途径，并为未来在该领域中的研究奠定了基础。

Oct, 2023

研究使用光流残差技术实现动态语义感知的 RGB-D 环境下的 SLAM，同时实现动静分割、相机运动估计和静态背景重建。实验证明该方法在动态和静态环境中都比现有的方法具有更高的精度和效率。

Mar, 2020

通过应用 ICP 运动补偿和分段刚性假设约束，结合测试时间优化方法，自监督 LiDAR 场景流估计技术可以更加有效地解决主要挑战，而不需要训练数据，提升了真实数据上的性能。

Apr, 2023

本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术，通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云，从而检测运动平台周围的车辆的 3D 边界框参数， 最终验证集准确率达到 87.1％。

May, 2021