本文提出了一种用于理解场景中运动车辆动态的新方法, 该方法通过设计卷积神经网络(CNN)，并在训练期间引入一系列所谓的“预文本任务”，以消除自我运动和外部车辆运动的混淆。我们在测试阶段使用lidar扫描的连续对来试验该系统，并在训练期间将形象信息开以提高系统推理结果精度。

Aug, 2018

通过CycleGANs从未配对的数据中进行图像转换，以实现从模拟LiDAR到真实LiDAR（sim2real）的传感器建模，从低分辨率到高分辨率的真实LiDAR（real2real）的生成以及使用鸟瞰图和极坐标2D表示法处理LiDAR 3D点云。实验结果表明，该方法具有很高的潜力。

May, 2019

探讨自动驾驶中的数据领域适应问题，对近年来不同的领域适应技术进行了全面的回顾并针对 LiDAR 感知提出了未来研究的有趣问题。

Jun, 2021

本文提出一种快速、灵活的 LiDAR 数据增强方法 LiDomAug，在语义分割任务中结合了学习方法，使得算法能够更好地适应不同规格的 LiDAR 传感器，从而提高了领域自适应能力，并在 SemanticKITTI 和 nuScenes 数据集上取得了最新的领域自适应性能，同时提出了适用于多种 LiDAR 配置的无传感器模型。

Mar, 2023

LiDAR在自动驾驶中具有重要作用，本文提出了一种基于LiDAR的实时多任务卷积神经网络，用于对象检测、语义分割和运动分割，并在汽车级嵌入式平台上实现了3ms延迟，取得了语义分割和运动分割的最新成果以及3D物体检测的接近最新成果。

Jul, 2023

利用LiDAR传感器获取关于场景的精确几何信息支持自动驾驶，本文提供一种新颖的数据集，旨在为源数据集的性能评估提供跨领域评估，同时提供一个灵活的在线基准测试，以确保各种方法之间的公平比较。

Oct, 2023

通过引入一种新的方法，即密度识别特征嵌入（DDFE）模块，以及一种简单而有效的密度增强技术，本研究解决了激光雷达感知中的领域泛化问题，并在各种三维主干网络中持续优于现有的领域泛化方法。

Dec, 2023

为了赋予激光雷达系统认知能力，我们在并行激光雷达中引入了三维视觉对接任务，并提出了一种新颖的激光雷达人机交互范式。我们提出了Talk2LiDAR，一个针对自动驾驶中三维视觉对接的大规模基准数据集，以及一种名为BEVGrounding的高效单阶段方法，通过将粗粒度的句子和细粒度的词嵌入与视觉特征融合，显著提高了对接准确率。我们在Talk2Car-3D和Talk2LiDAR数据集上的实验证明了BEVGrounding的卓越性能，为该领域的进一步研究奠定了基础。

May, 2024

本研究针对激光雷达数据在城市场景中的异构特性和类别不平衡问题，提出了一种新方法Text3DAug，利用生成模型进行实例增强，而无需依赖标签数据。实验结果表明，Text3DAug在激光雷达分割、检测及新类发现中有效补充现有方法，并在性能上与成熟方法相当或更优，同时克服了传统方法的不足。

Aug, 2024

本研究解决了自主系统感知模型在复杂环境中的弱点问题，采用定制的基于物理的增强方法生成逼真的训练数据来提升模型的鲁棒性和表现。实验结果显示，优化的训练策略能显著提高模型性能，强调了在真实世界应用中增强模型对边缘案例的适应能力的重要性。

Aug, 2024