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

本文提出了一种使用3D LiDAR扫描来预测未来点云的方法，该方法可用于实现自主移动系统的预测状态估计、避碰和规划，通过使用2D范围图像表示扫描数据并连接一系列范围图像来实现端到端的预测，最终通过3D卷积来预测未来的3D点云，并通过多个数据集进行实验验证，结果表明本文提出的方法比现有的点云预测结构更优且能够很好地适用于新的未知环境。

Sep, 2021

提出了一个新问题 -- 顺序场景流估计（SSFE），旨在从给定序列中估计所有点云对的三维场景流。引入SPCM-Net架构来解决该问题，利用时间和空间的多尺度相互关系以及顺序不变的循环单元来聚合关联。通过实验验证表明，与仅使用两个帧相比，处理点云序列的递归处理结果更好。这一方法可有效地修改为顺序点云预测（SPF）的问题，并使用自监督训练和评估指标进行实验结果的评估。提供了新的基准数据集，对多帧估计和预测进行测试，这将在未来的研究中起到重要作用。

Nov, 2021

本研究提出了一种基于原始传感器测量而非基于标准轨迹的端到端方法来进行对象检测和运动预测，实现对多个未来情况的推理能力，并扩展了检测度量来检验预测准确性。

Mar, 2022

通过将3D点云预测任务从非注释LiDAR序列转变为时空(4D)占据预测任务，我们可以评估和比较各种数据集、传感器和车辆的点云预测算法。

Feb, 2023

通过使用高质量LiDAR数据增强Waymo Open Motion Dataset (WOMD)并将其整合到模型训练中，实验结果表明LiDAR数据的使用能够提高运动预测任务的性能，为推动端到端运动预测模型提供新机会。

Apr, 2023

MoDAR使用运动预测输出作为一种虚拟模态，以增强LiDAR点云，从而将物体信息从时间上下文向目标帧传播，通过将原始传感器点和虚拟点的融合点云馈送到任何现成的基于点云的三维物体检测器，可以极大地提高对遮挡和长距离物体的检测效果。

Jun, 2023

我们研究了语义完整场景预测（SCSF）的新问题，通过一个名为SCSFNet的新型网络，我们能够准确地预测未来帧的完整场景以及其语义标签。

Dec, 2023

TrajectoryNAS是一种基于点云数据进行轨迹预测的先进方法，通过利用神经架构搜索（NAS）自动设计轨迹预测模型，有效增强自动驾驶系统的性能，标志着该领域的重大进展。

Mar, 2024

该研究解决了在自主驾驶中，LiDAR 3D物体检测性能受限于点云数据的固有限制的问题。提出了LiSTM框架，通过引入非学习型运动估计模型生成的动态先验，利用运动引导特征聚合（MGFA）提升了空间-时间特征学习能力。实验表明，该框架在Waymo和nuScenes数据集上实现了更优异的3D检测性能。

Sep, 2024