空中点云
协作车辆到所有感知任务通过邻近交通代理之间的消息通信提高各个车辆的感知能力。我们提出了一种全新的消息单元，即点簇，并建立了协作感知的新框架 V2X-PC，以解决稠密表示中的目标特征破坏、长距离协作中的信息聚合效率和隐含结构表示通信的问题。通过在两个被广泛认可的协作感知基准上进行实验，我们展示了我们方法相对于依赖于 BEV 地图的先前最先进方法的优越性能。
Mar, 2024
提出了 FPA raycasting 和 surrogate model raydrop 方法来解决 LiDAR 模拟器数据中的噪声和几何限制问题，并使用 SMPL 数据集对虚拟现实行人进行了仿真，利用这个方法进行目标检测模型的训练可以达到与实际数据训练模型类似的结果。
Oct, 2022
本文系统回顾了 CSPC（Cross-source Point Cloud）配准的特点，关键挑战，研究进展和应用领域，并讨论了该领域的重要研究方向和多个传感器结合优势。
May, 2023
本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。
Oct, 2022
该研究提出了一个神经网络模型，命名为 VPC-Net，用于从移动激光扫描系统获取的点云数据中合成完整、密集、统一的车辆点云数据，以用于 3D 车辆监测任务，具有良好的性能表现与结果。
Aug, 2020
本文提出一种新的协同三维物体检测框架，通过利用空间分布式传感器所提供的信息来辅助自动驾驶系统中的感知精度，同时避免因事先的通信方案导致通信拥堵和 / 或性能受限的问题。通过两个复杂的驾驶场景的实验结果和带宽使用分析，证明了该方法可以在各种检测困难情况下节省通信和计算成本，并显著提高检测性能。
May, 2022
通过点云补全技术完成对不完整数据的处理，建立新的真实世界基准 Building-PCC 数据集来评估现有深度学习方法在城市建筑点云补全任务中的性能，并通过对不同方法的综合评估，分析在建筑点云补全中面临的关键挑战，旨在促进 3D 地理信息应用领域的创新。
Apr, 2024
使用资源有限的 MIMO 雷达网络在毫米波频段内进行人体尺度的射频感知，通过合作机制和贝叶斯工具，实现利用边链通信频道进行参数交换从而提升车辆感知质量，并验证了该方法相较于传统合作方式具有低带宽需求和对未解决目标的敏感度降低的优势。
May, 2024
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
本文提出了一个管道，用于在汽车场景中高效压缩 LiDAR 观测数据，首先利用 RangeNet++，一个用于语义推断点标签的深度神经网络来减少信道负载，其次是使用 Draco 对选择的点进行压缩，实验证明该方法可以在 LiDAR 的帧率下实现实时性。
Mar, 2021