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

无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

Dec, 2023

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

本论文提出一种基于自监督学习的点云深度感知模型预训练方法，通过表面重建预训练任务和基于潜在向量的感知头来抓取表面信息的语义片段并提高对象检测和场景语义分割性能。

Dec, 2022

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

本文提出了一种自监督的 LiDAR 测距法 ——SelfVoxeLO，通过使用 3D 卷积网络对点云数据进行特征提取，利用 LiDAR 点云的内在属性设计了多种新颖的损失函数，并引入了一种不确定性感知的机制来减轻运动物体 / 噪声的干扰，该方法在 KITTI 和 Apollo-SouthBay 数据集上的性能超过了现有的无监督方法，并且可以通过添加更多未标记的训练数据来进一步提高性能，可与有监督的方法相媲美。

Oct, 2020

这篇论文介绍了一种新颖的自监督学习框架，用于增强自动驾驶场景中的 3D 感知。该方法名为 NCLR，专注于 2D-3D 神经校准，一种估计相机和 LiDAR 坐标系统对齐的创新前提任务。通过学习可训练的转换对齐，我们建立了图像和点云数据之间的领域差距，将特征转换成统一的表示空间，以进行有效的比较和匹配，从而实现了图像和点云的整体级别对齐。我们还通过将预训练的骨干网络应用于 LiDAR 的 3D 语义分割、目标检测和泛光分割等下游任务，证明了 NCLR 的有效性。在各种数据集上进行的综合实验证明了 NCLR 相对于现有自监督方法的优越性，并且结果表明，不同模态的联合学习显著提高了网络的理解能力和学习表示的有效性。

Jan, 2024

由于视觉自主驾驶应用需要同时处理语义、3D 几何和时间信息以进行联合感知、预测和规划，因此我们提出了一种名为 “ViDAR” 的预训练模型，用于预训练下游视觉编码器，并通过新颖的隐变换操作将历史嵌入式表示转换为 3D 几何空间，以实现未来点云的预测。实验结果表明，在下游任务中取得了显著的增益，如在 3D 检测上的 NDS 提高了 3.1％，运动预测的错误率减少了约 10％，规划中碰撞率减少了约 15％。

Dec, 2023

本文提出了一种使用 3D 激光雷达信息的汽车检测和跟踪系统，其中检测步骤使用卷积神经网络（CNN），并通过多假设扩展卡尔曼滤波器实现多目标跟踪。此基于激光雷达的方法与基于图像的检测器使用大约相似的结果并仅使用原始数据的 4％。

Aug, 2018

无标签 LiDAR 点云的自监督运动预测方法证明在运动行为感知、自动驾驶等领域中表现出显著的优势。

Mar, 2024