本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

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

利用光探测与测距（LiDAR）和物联网（IoT）技术的整合，在城市安全和行人福祉方面为公共卫生信息学提供了变革性机会。本文提出了一种利用这些技术进行增强型城市交通场景下的三维物体检测和活动分类的新框架。通过使用高架 LiDAR，我们获取了详细的三维点云数据，实现了精确的行人活动监测。为了克服城市数据匮乏问题，我们通过在 Blender 中模拟交通环境，创建了一个专门的数据集，便于针对性的模型训练。我们的方法采用了改进的基于点体素区域的卷积神经网络（PV-RCNN）进行稳健的三维检测和 PointNet 进行行人活动分类，显著促进了城市交通管理和公共卫生，为理解行人行为、促进更安全的城市环境提供了洞见。我们的双模型方法不仅提升了城市交通管理，还通过提供对行人行为的洞见，显著贡献于公共卫生和更安全的城市环境。

Apr, 2024

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

从车辆收集的视频中进行三维重建较为困难，车辆的前向运动速度较快。与标准基准相比，对象经常出现在相机远离的地方，图像质量通常会因为运动模糊而降低，并且经常会发生遮挡。这导致了交通数据专门基准的普及。最近，光探测与测距（LiDAR）传感器因其直接估计深度而变得流行，无需进行三维重建。然而，与基于图像的方法相比，基于 LiDAR 的方法在远距离的关节人体检测方面仍然存在欠缺。我们假设针对 LiDAR 数据的关节人体感知基准可以促进交通中关于人体感知和预测的研究，并可能提高行人的交通安全。

Sep, 2023

本研究讨论了一种实时的用于自动驾驶场景的动态物体检测算法，该算法利用了先前建立的 Lidar 点云的静态背景模型，并将动态物体检测视为背景减法问题。研究者提出了拒绝级联结构用于对道路区域和其他 3D 区域分别进行减法操作，该算法基于 CARLA 模拟器进行了初步实现和准确度评估。

Sep, 2018

我们提出了一个大规模的三维车道数据集 LiSV-3DLane，其中包含 2 万帧环视 LiDAR 点云，通过丰富的语义注释，捕捉了城市和高速公路环境中的复杂车道模式。为了解决稀疏的 LiDAR 数据在车道标注中的问题，我们利用车道线的几何特征和 LiDAR 数据的固有空间属性，设计了一个简单而有效的自动标注流程。我们还提出了一种新颖的基于 LiDAR 的三维车道检测模型 LiLaDet，将 LiDAR 点云的空间几何学习融入到基于 Bird's Eye View（BEV）的车道识别中。实验结果表明，LiLaDet 在 K-Lane 数据集和我们的 LiSV-3DLane 上的三维车道检测任务中优于现有的基于摄像头和 LiDAR 的方法。

Sep, 2023

本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术，通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云，从而检测运动平台周围的车辆的 3D 边界框参数， 最终验证集准确率达到 87.1％。

May, 2021

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

探索如何建立一种去除人工延迟限制的目标检测器，而是在流数据上运作来显着降低延迟，该方法有助于减少推理硬件的峰值计算负载，同时实现竞争性甚至优越的预测性能。

May, 2020