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

提出了在自动驾驶中利用多雷达协同感知的 PillarGrid 方法，包括点云预处理、柱体分割、多传感器特征融合、基于 CNN 的物体检测等阶段，实验证明该方法能够显著提高 3D 物体检测的精度和范围。

Mar, 2022

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

本篇论文介绍了一种新型编码器 PointPillars，该编码器可以将点云转为适合下游检测通道的格式，可应用于众多机器人应用中的物体检测，证明其在速度和准确性上都优于现有编码器，可优化无人驾驶等应用领域。

Dec, 2018

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

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

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

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

本文提出了基于柱状集合抽象（PSA）和前景点补偿（FPC）的 PSA-Det3D 点检测网络，以解决 3D 点云中小物体检测的困难问题，并在 KITTI 3D 检测基准上进行了实验验证。

Oct, 2022