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

通过使用高质量 LiDAR 数据增强 Waymo Open Motion Dataset (WOMD) 并将其整合到模型训练中，实验结果表明 LiDAR 数据的使用能够提高运动预测任务的性能，为推动端到端运动预测模型提供新机会。

Apr, 2023

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

移动自主性依赖于对动态环境的精确感知。因此，鲁棒地跟踪三维世界中的移动物体对于轨迹预测、避障和路径规划等应用至关重要。尽管大多数当前方法利用激光雷达或摄像头进行多目标跟踪 (MOT)，但四维成像雷达的能力仍然很少被探索。针对四维雷达数据中的雷达噪声和点稀疏性带来的挑战，我们介绍了一种针对基于雷达的跟踪的创新解决方案 RaTrack。我们的方法摒弃了对特定物体类型和三维边界框的依赖，而是专注于运动分割和聚类，并且通过运动估计模块进一步丰富。在 View-of-Delft 数据集上进行评估，RaTrack 展示了对移动物体的优越跟踪精度，明显超过了最新研究的性能。

Sep, 2023

本文提出了一种新的三维物体检测结构，该结构可以编码由多个连续扫描获取的 LiDAR 点云序列，并利用时空上下文实现较大的性能提升。通过短期运动感知体素编码和长期运动指导俯视图特征增强，可以对点云序列进行编码处理，结果显示，与基线方法相比，该模型在性能上显示出明显优越性，在某些三维检测类别方面表现出了最先进的性能。

Dec, 2022

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

本文提出了一种名为 MoNet 的基于运动的神经网络，它将运动特征和内容特征结合起来用于预测未来的点云，以提高自动驾驶中智能汽车对其周围环境的感知和安全性。实验结果表明，该方法具有重要的应用前景。

Nov, 2020

通过应用自运动估计和动态运动校正方法提高了目标检测性能。

Aug, 2023

本文提出了一种基于卷积神经网络（CNN）的方法，利用相机和 LiDAR 传感器的运动信息来检测移动物体，以应对低光条件下的自动驾驶车辆中的移动对象检测问题，并在 KITTI 数据集上进行了验证。

Oct, 2019

本研究提出了一种基于原始传感器测量而非基于标准轨迹的端到端方法来进行对象检测和运动预测，实现对多个未来情况的推理能力，并扩展了检测度量来检验预测准确性。

Mar, 2022