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

自动驾驶中的目标检测和跟踪是重要且基础的任务，旨在在场景中识别和定位预定义类别的对象。这篇论文展示了最近在深度学习方法中对于 3D 目标检测和跟踪的研究进展，以帮助更好地了解该领域的现状。

Nov, 2023

本文提出了一种基于运动中心范例的两阶段跟踪方法 M^2-Track 来解决传统外观匹配法在 LiDAR 点云跟踪中的不足，并在 KITTI、NuScenes 和 Waymo Open Dataset 三个数据集上表现出显著的精度提升（分别为 8％、17％和 22％），验证了该方法的有效性和前景。

Mar, 2022

我们提供了一种基于运动线索的半监督目标检测方法，结合启发式聚类方法和物体跟踪器，使用运动物体的伪标签作为监督信号，在 Lidar 数据中训练三维物体检测器。我们通过利用场景流估计中的最新进展获取点轨迹，并从中提取长期的、与类别无关的运动模式。通过在信息传递网络的上下文中重新思考相关聚类，我们学习将这些运动模式分组以聚类点到物体实例。通过估计物体的完整范围，我们获得每个扫描的三维边界框，并用它们来监督 Lidar 物体检测网络。我们的方法不仅优于先前的启发式方法（57.5 AP，相比之前的方法提高了 14 个百分点），更重要的是，我们证明了可以在不同数据集上使用伪标签训练目标检测器。

Feb, 2024

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

本文提出了一种基于学习的方法，旨在精确地估计部分被观测对象的三维运动状态，并使用噪声三维点云进行运动估计。该方法比全局三维注册方法表现更优，且更为高效。

Oct, 2019

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

本文探讨了形状完成技术在 LIDAR 三维物体追踪中的应用，设计了一个 Siamese 追踪器，通过对模型和候选形状进行编码，实现了更好的 3D 物体追踪。在 KITTI 追踪数据上的实验结果表明，该模型将成功率和准确率均提升了 3％以上。

Mar, 2019

提出了一种基于单目视觉的 3D 车辆检测和跟踪的在线框架，并利用 3D 车辆坐标信息和深度匹配对数据进行关联，并设计了一个基于 LSTM 的动作学习模块，以进行更准确的长期运动外推。实验结果表明，该跟踪系统可以提供抗干扰性更强的数据关联和跟踪能力，并且在跟踪 30 米内的行驶车辆方面比基于激光雷达的方法表现更好。

Nov, 2018