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

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

本研究论文展示了 2D 背骨缩放和预训练对基于 pillar 的三维物体探测器的有效性，通过引入在大规模图像数据集上预训练的密集 ConvNet 作为 pillar-based 探测器的 2D 背骨，基于模型大小自适应设计的 ConvNets 可根据点云的特征（如稀疏性和不规则性）发挥其在点云领域的扩展能力，我们提出的 PillarNeSt 在 nuScenes 和 Argoversev2 数据集上远远超过现有的 3D 物体探测器。

Nov, 2023

本文研究基于激光雷达点云的三维检测在自动驾驶的感知系统中的重要性，并提出了 LiDAR R-CNN，这是一种可改进任何现有三维检测器的第二阶段检测器，采用了基于点的方法解决了实时和高精度要求的问题，在实际中具有普适性和优越性能。

Mar, 2021

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

本篇论文提出了一种适用于自动驾驶的简单灵活的物体检测框架，该框架基于车载点云数据的稀疏性质，通过柱状体进行多视角特征学习来解决过去方法因锚点不平衡带来的问题，采用一种新的适配柱状体的映射模块实现更精准的检测，而且该算法还避免了过去方法中涉及超参数搜索的问题，较大地提高了 3D 物体检测的准确率。

Jul, 2020

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

提出了一种结合单目和基于点云的三维检测的平衡方法，使用低成本、低分辨率的传感器获取仅有 512 个点，然后将这有限的三维信息与单张图像结合重建完整的三维点云，通过与多模态现成的三维检测器结合使用，使得三维检测的准确率相比于最新的单目检测方法提高了 20%，相对于基准多模态方法在 KITTI 和 JackRabbot 数据集上提高了 6% 到 9%。

Apr, 2024