通过提出 Place3D 框架，我们针对多雷达感知系统在复杂条件下的鲁棒性问题进行了研究，包括雷达布置优化、数据生成和下游评估，并通过引入 Surrogate Metric of the Semantic Occupancy Grids (M-SOG) 评估雷达布置质量，在多类恶劣环境和传感器故障条件下展现了卓越的稳健性。

Mar, 2024

本研究从物理设计的角度出发，研究多个 LiDAR 的不同布置对深度学习算法在 LiDAR 感知中的影响，并通过新的数据采集，检测模型训练和评估框架在 CARLA 模拟器中验证了感知性能。结果表明，3D 点云基础的目标检测中，传感器的放置是至关重要的，会导致 AP 的 10% 性能差异。

May, 2021

本文旨在研究一种最佳的 LiDAR 配置，通过物理属性建立了感知模型和广义优化模型，并提出基于格点和圆柱的优化方法来解决问题。实验证明，该方法在探测性能方面取得了最优解，也可为研究人员在利用 LiDAR 方面提供指导。

May, 2018

本文研究了实现有效性最大化的 LiDAR 配置问题，提出了一种简单易于评估的成本函数并采用基于立方体的方法，证明了所提出的成本函数是一个适合的代理对象检测率，并使用人工蜂群进化算法计算成本函数，实验证明了该成本函数有效且成本效益配置。

Sep, 2018

通过利用激光雷达技术与数据融合算法，实现车路协同的共享与组合，提高自动驾驶系统的感知范围、补充盲区、提高感知精度，以促进自动驾驶技术的发展并实现车路一体化。同时，设计测试场景，证明了车路协同自动驾驶与单车自动驾驶相比的优势。

Aug, 2022

本文提出了一种新方法来解决道路感知系统中数据不足的问题，即使用增强现实和生成对抗网络来创建合成训练数据集，从而训练鲁棒性较高、适应性更强的道路感知检测器。在两个路口的实验中，我们的实验表明，使用合成数据仅仅作为训练集的检测器可以在所有条件下获得良好的性能，并且在恶劣的条件下，使用标记数据训练的已有检测器的性能可以通过合成数据得到提升。

Jun, 2023

借助 LiDAR 3D 点云技术，基于来自联网汽车不同位置和角度的传感器数据融合，提出一种基于点云的 3D 物体检测方法，拓展感知区域、提高检测准确性、促进增强结果，同时通过现有的车联网技术，可实现利用点云数据进行协同感知。

May, 2019

本文对自动驾驶汽车中基于 LiDAR 传感器的感知系统进行了首次安全研究，将 LiDAR 欺骗攻击作为威胁模型，并探索了机器学习模型欺骗攻击的可能性，提出了优化方法和算法，同时讨论了针对自动驾驶汽车感知系统、传感器和机器学习模型的防御方向。

Jul, 2019

本文综述了目前 LiDAR 技术在自动驾驶汽车领域所处的状态，涉及了从激光发射器到其光束扫描机制等组件，以及该技术处理感知数据的特定流程，其中探讨了模型驱动方法和新兴的深度学习解决方案，最后总结了该技术的局限性和面临的挑战及趋势。

Apr, 2020

传感器布置优化方法研究广泛，但很少有研究考虑到传感器网络在传感器故障或对抗性攻击方面的鲁棒性和效率。本文通过优化寻找最少数量的传感器来实现预定数量传感器对非连通域进行多次覆盖，从而解决了这个问题。我们提出了一种新的目标函数用于贪婪算法设计高效而鲁棒的传感器网络，并推导出了网络的可优化性的理论界限。我们进一步引入了一个深度学习模型加速算法以进行近实时计算。该深度学习模型需要生成训练样本，相关地，我们展示了了解训练数据集的几何属性对深度学习技术的性能和训练过程提供了重要见解。最后，我们展示了使用较简单目标的简单并行贪婪方法可以具有很高的竞争力。

May, 2024