本文提出了一种利用过去帧信息改善当前帧预测的基于 LiDAR 点云时序的语义分割模型，通过使用记忆网络存储、更新和检索过去信息，并在点云邻域中惩罚预测变化，构建稀疏的 3D 潜在表示来克服遮挡等限制，实验证明该方法在 SemanticKITTI、nuScenes 和 PandaSet 数据集上比现有方法更有效。

Nov, 2023

本研究介绍了 SEGCloud，一种利用三线性插值和完全连接条件随机场等方式得到端到端三维点级分割的框架，可实现对室内和室外三维数据集进行准确的场景标注。

Oct, 2017

本研究提出了一种融合 3D 卷积神经网络 (CNN)、深度 Q 网络 (DQN) 和残差循环神经网络 (RNN) 的方法，对大规模三维点云进行高效的语义解析，取得了优于现有方法的分类结果。

Jul, 2017

我们解决了在各种交通场景下，对室外 LiDAR 点云进行无监督语义分割的问题，通过建立多帧之间的时空对应关系，将点云序列的时空特征引入强化扩充，融合聚类和伪标签学习，以无监督的学习方式学习辨别特征，展现出在自动驾驶车辆和交叉口基础设施方面的分割性能在 Semantic-KITTI，SemanticPOSS 和 FLORIDA 基准数据集上表现得很有竞争力，该通用框架可以为 LiDAR 点云的统一表示学习方法融入领域知识。

Aug, 2023

为实现自动驾驶和智能机器人的感知系统中对激光雷达传感器进行实时分割，本文提出了一种名为 Meta-RangeSeg 的新方法，该方法引入了全新的范围残差图像表示来捕获二三维之间的空间 - temporal 信息，并使用有效的 U-Net 骨干和特征聚合模块来提取多尺度特征，进一步强化范围通道的作用。

Feb, 2022

本文提出了一种基于稀疏 LSTM 的多帧 3D 对象检测算法，使用 U-Net 风格的稀疏 3D 卷积网络提取每帧 LiDAR 点云的特征，并将这些特征与上一帧的隐藏和记忆特征一起输入到 LSTM 模块中，以预测当前帧中的 3D 对象，同时传递给下一帧的隐藏和记忆特征。实验结果表明，我们的算法在使用更少的内存和每帧计算的情况下优于传统的逐帧方法 7.5％ [email protected] 和其他多帧方法 1.2％ 。据我们所知，这是在稀疏点云中首次使用 LSTM 进行 3D 对象检测的工作。

Jul, 2020

本文提出了一种基于 TFNet 的 LiDAR 语义分割方法，利用时间信息来解决范围图像有限的角度分辨率引起的 “一对多” 问题，并设计了一种基于最大投票的后处理技术来纠正错误预测。在两个基准测试和三种模态的七种主干网络上的实验证明了我们方法的有效性和可扩展性。

Sep, 2023

提出一种新的 4D 全景 LiDAR 分割方法，将语义类和时间一致的实例 ID 分配给 3D 点序列，使用点为中心的评估度量来确定每个点的语义类别，将对象实例建模为 4D 时空域中的概率分布，从而以更高效的方式处理多个点云。这项工作展望未来的超高效 LiDAR 全景感知。

Feb, 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

本研究提出了一种自监督学习方法用于激光雷达帧的语义分割，通过结合 SLAM 和光线追踪算法实现自动化注释，训练预测机器人移动场景中的固定结构和可动目标的深度学习模型，同时改进机器人的导航和本地化性能，为机器人导航和目标定位提供了新的途径。

Dec, 2020