本篇研究文章提出基于点云的3D单目标跟踪的Transformer模块Point-Track-Transformer（PTT），其包含特征嵌入，位置编码和自注意力模块等三个模块，将该模块应用到现有的P2B方法上构建出PTT-Net，并在KITTI数据集上实验表明，该模型较现有方法提升了约10％左右的性能，并实现了实时性能（~40FPS）。

Aug, 2021

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

在本文中，我们介绍了BEVTrack，一个简单但强大的三维单目标跟踪基线框架。通过将连续的点云转换成常见的鸟瞰图表示，BEVTrack通过简单的逐元素操作和卷积层，天然地编码了空间邻近性并熟练地捕捉运动线索，同时直接学习目标的运动分布，而无需假定固定的拉普拉斯或高斯。BEVTrack在KITTI和NuScenes数据集上取得了最先进的性能，并且推理速度高达122帧/秒。

Sep, 2023

3D单目标跟踪是计算机视觉的前沿任务之一，本研究提出了一种基于点云的全新3D单目标跟踪框架M3SOT，通过多个输入帧、多个感受野和多个解决空间的协同作用，从点云中直接建模时间性、上下文信息和任务，以实现高效的目标跟踪应用。M3SOT的实验表明，在KITTI、nuScenes和Waymo Open Dataset等基准上，其性能达到了最先进的水平，帧率达到了38帧每秒。

Dec, 2023

SeqTrack3D是一种基于Sequence-to-Sequence追踪范式的3D单目标追踪器，通过结合历史点云和边界框序列以确保鲁棒追踪，即使在稀疏点场景中也能利用历史边界框位置先验知识。在大规模数据集上的广泛实验表明，SeqTrack3D实现了最新的最佳性能，NuScenes上提高了6.00％，Waymo数据集提高了14.13％。

Feb, 2024

为了成功商业化自动驾驶汽车，开发基于LiDAR的高性能实时架构对于至关重要。本文介绍了一种名为FG-PFE的新型pillar编码架构，它利用STV网格来捕捉每个pillar内LiDAR点云的细粒度分布。通过STV网格，每个pillar内的点云分别使用垂直、时间和水平维度进行编码，并通过Attentive Pillar Aggregation方法进行聚合。实验结果表明，FG-PFE相较于基线模型如PointPillar，CenterPoint-Pillar和PillarNet，在计算开销仅略微增加的情况下取得了显著的性能改进。

Mar, 2024

通过EasyTrack提出一种新的一次性转换器3D SOT范例，利用点云跟踪特征预训练模块、统一的3D跟踪特征学习和融合网络，以及在密集鸟瞰特征空间中构建的目标定位网络，显著提高了KITTI、NuScenes和Waymo的性能，并具有较低的参数和高帧率。

Apr, 2024

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