lidar
PulseAugur coverage of lidar — every cluster mentioning lidar across labs, papers, and developer communities, ranked by signal.
- instance of SemanticKITTI 90%
- uses Camera 90%
- used by Nuscenes 70%
- used by ScienceCast 70%
- used by Gotit.pub 70%
- used by Camera 70%
- used by global navigation satellite system 70%
- used by three-dimensional object detection 70%
- affiliated with 4D radar 70%
- used by bird's-eye view 70%
- used by Autonomous Vehicles 70%
- used by Cameras 70%
- 2026-05-18 research_milestone A new method for imaging hidden objects using consumer LiDAR was published. 来源
22 天有情绪数据
-
新AI框架利用海岸线几何进行GPS拒止环境下的航行器定位
研究人员开发了两个新的框架，用于在GPS拒止环境下对自主水面航行器进行定位，利用海岸线的几何结构。第一个框架使用LiDAR估计航行器运动，并通过将海岸线观测与卫星地图进行配准来确定位置。第二个框架采用被动成像进行海岸线和地平线的语义分割，从单目图像推断海岸线距离，并在因子图中融合这些观测。两种方法在实际测试中都显示出改进的轨迹精度和有界的长期漂移，其中单目方法在持续导航方面显示出特别的潜力。
-
新的多模态系统增强了自动驾驶的交通标志检测能力
研究人员开发了一种新颖的多模态框架，用于自动驾驶系统中的交通标志检测，该框架结合了摄像头和LiDAR数据。该系统解决了当前基于视觉的方法的局限性，例如较差的跨区域泛化能力、远距离小目标检测困难以及脆弱的时序跟踪。提出的流程包含一个感知强度可变形融合模块，用于对齐传感器数据，以及一个双运动模型跟踪器，以提高时序一致性，在海量的驾驶数据中实现了低目标漏检率。
-
无人机和人工智能革新基础设施检查，新综述发现
一项新的文献综述和框架提案详细介绍了在建筑、工程、施工和设施管理（AEC+FM）领域使用无人机（UAVs）进行基础设施检查。该论文综合了150多项研究，重点介绍了数据采集、缺陷检测和决策支持的方法，并结合了YOLO和Faster R-CNN等先进的机器学习模型。它还讨论了RGB图像、LiDAR和热成像传感与基于Transformer的架构的集成，以提高识别结构缺陷和异常的准确性。研究确定了实时处理和多模态数据融合方面仍存在的挑战，并提…
-
新的 LiDAR 里程计方法实现参数无关性能
研究人员开发了 LF-GICP，一种新颖的参数无关的 LiDAR 里程计方法，可解决隧道等几何退化环境中的无界漂移问题。该方法利用体素法线可定位性场来识别和加权对应关系，无需进行特定于环境的参数调整。LF-GICP 在 KITTI 数据集上实现了最低的相对平移误差，并在其他具有挑战性的数据集和各种传感器类型上展示了卓越的性能，且无需重新调整。
-
禾赛科技激光雷达需求激增，智能汽车在中国日益普及
领先的激光雷达传感器制造商禾赛科技（Hesai Group）正受益于智能汽车日益增长的激光雷达技术采用率，尽管中国汽车市场表现不佳。公司首席财务官 Andrew Fan 指出，今年的订单量高于去年，并将此趋势归因于汽车品牌通过激光雷达提升车辆智能化水平。预计未来数百万辆新车将配备激光雷达，推动禾赛科技的扩张计划。
-
自主拖拉机系统AgriNav集成杂草检测和激光雷达导航，用于精准农业
研究人员开发了AgriNav，一个专为精准水稻种植设计的自主拖拉机系统。该系统集成了杂草检测和激光雷达导航，以减少除草剂使用并提高效率。AgriNav利用定制的CNN-FPN模型来区分水稻和杂草，并融合激光雷达、GNSS和IMU数据进行稳健导航，即使在GNSS中断期间也能工作。该系统在各种成像条件下均表现出对作物行检测和水稻识别的高度置信度。
-
新的RVLoss方法提高了LiDAR场景流估计的准确性
研究人员开发了RVLoss，一种新颖的自监督损失函数，旨在改进LiDAR场景流估计。与使用Chamfer损失的传统方法不同，RVLoss引入了runoff vote机制来强制执行运动刚性，并实现更一致的流估计，尤其适用于大物体。在Argoverse2 2026 Challenge上的实验表明，RVLoss显著优于现有的自监督方法，比基线模型提高了20%，达到了最先进的水平。
-
新框架融合路侧雷达和网联车辆数据以改进定位
研究人员开发了一种新的车辆定位框架，该框架融合了来自路侧雷达和网联车辆的数据。这项在芬兰赫尔辛基一个城市交叉口进行的研究评估了两种基于扩展卡尔曼滤波的策略。虽然融合性能主要受激光雷达可用性的驱动，但雷达提供了一些优势，特别是在激光雷达数据质量下降或以较低速率共享时。研究结果表明，决策级融合提供了依赖于场景的优势，而不是比单一传感器基线带来持续的改进。
-
卫星数据集成可实现对‘全球南方’城市建筑高度的准确估算
研究人员开发了一种在个体足迹尺度上估算建筑高度的方法，特别适用于‘全球南方’的城市地区，这些地区缺乏LiDAR等详细数据。通过整合TerraSAR-X StripMap、PlanetScope和Sentinel-1卫星的数据，他们采用了一种地理加权随机森林模型。该方法在与LiDAR参考相比时，实现了5.34米的RMSE和0.756的R2，表明不同的卫星传感器和派生特征在不同的城市背景和建筑类型中具有不同的预测相关性。
-
MM-BEV系统通过优先计算增强自动驾驶的及时性
研究人员开发了MM-BEV，这是一种新颖的多模态鸟瞰感知系统，旨在增强自动驾驶系统的及时性。该系统优先处理对安全至关重要且处于即时危险中的物体的计算，从而减少对不太紧急元素的处理。MM-BEV集成了多种机制，包括关键性排序的时间感兴趣区域选择器和稀疏的、面向感兴趣区域的特征提取，以在不影响关键召回率的情况下显著降低推理和端到端延迟。
-
激光雷达分割研究探讨用于不平衡缓解的采样策略
一篇新研究论文探讨了不同采样策略在缓解激光雷达语义分割中类别不平衡方面的有效性。研究发现，逆频率加权会显著降低性能，尤其对少数类。对于KPConv等结构化采样架构，均匀加权被证明是有效的，而RandLA-Net等随机采样架构则受益较少。该研究强调了采样方法、不平衡严重程度和数据特征之间复杂的相互作用，这些因素决定了在自动驾驶导航和城市测绘中成功缓解不平衡的方法。
-
自监督点Transformer实现3D实例分割的涌现
研究人员开发了一种名为TokenGraph3D的新方法，使用自监督点Transformer进行无监督3D实例分割。该方法利用这些Transformer的内部表示，特别是关注注意力查询和键，以分离对象实例，而无需依赖传统的几何先验。该方法发现实例信号集中在特定层，并受到旋转位置编码（RoPE）的显著影响，证明了其在SemanticKITTI、nuScenes和Waymo Perception等数据集上的有效性。
-
LightLoc++ 框架提供高效、传感器鲁棒的激光雷达定位
研究人员开发了 LightLoc++，一个专为高效、传感器鲁棒的室外激光雷达定位设计的新框架。该新方法通过将定位过程解耦为场景无关的骨干网络和轻量级的场景特定预测头，解决了场景特定训练耗时的问题。为了实现传感器鲁棒性，LightLoc++ 使用了一个名为 SULID 的新数据集，该数据集包含来自 32、64 和 128 束激光雷达的同步数据，能够实现跨传感器的一致性学习。该框架还结合了样本分类指导和冗余样本降采样，以减少歧义和计算开销…
-
新的 LiDAR 背景减除方法通过新数据集进行基准测试
研究人员开发了一种用于静态路边 LiDAR 系统的新背景减除方法，这对于识别动态交通参与者至关重要。本文介绍了对逐光束统计背景减除技术进行的比较基准测试，将背景估计建模为逐光束的时间问题。为确保可复现性，他们创建了 HighwayScene 数据集并扩展了 CoopScenes 的详细注释，证明了他们的方法为不同 LiDAR 技术提供了稳健且可迁移的解决方案。
-
新框架通过并行计算加速激光雷达地图构建
研究人员开发了一种新颖的并行计算框架，旨在显著加速大规模地图构建的激光雷达捆绑调整。该框架包含一种用于内存受限 GPU 的自适应数据加载策略、一种用于并行特征提取的新型自下而上体素化方法，以及一种针对计算密集型任务的优化主化-最小化（majorization-minimization）公式。在公共数据集上的基准测试表明，计算效率提高了十倍，同时保持了相当的地图构建精度。
-
新仿真平台增强无人水面艇的协同感知能力
研究人员开发了MMUSV-Sim，一个基于Unreal Engine 5和Project AirSim的新仿真与数据生成平台。该平台旨在促进海上环境中多无人水面艇（USV）协同感知系统的开发。MMUSV-Sim支持可配置场景、多模态传感器数据采集（包括RGB、深度、语义、LiDAR和雷达）以及共享标注，从而实现超越单个平台范围的更鲁棒的目标感知。实验表明，多USV的LiDAR数据早期融合显著提高了船只检测性能。
-
地理人工智能工作流程绘制城市树冠及其与城市温度的联系
研究人员开发了一种新的光学地理人工智能工作流程，用于评估加州戴维斯市的城市树冠覆盖。该方法利用高分辨率图像和深度学习模型（如 DeepForest 和 Segment Anything Model (SAM)）来识别和绘制单个树冠和整体树冠表面的地图。该工作流程成功绘制了该市 9.37% 的树冠地图，与现有的激光雷达辅助产品高度一致，并揭示了树冠覆盖与地表温度之间的负相关关系，强调了城市绿化在缓解高温方面的重要性。
-
GhostPoint 框架通过幻觉遮挡的激光雷达数据来增强 3D 对象检测
研究人员开发了 GhostPoint，一个新颖的自监督学习框架，旨在通过解决当前仅关注可见激光雷达数据的现有方法的局限性，来改进自动驾驶中的 3D 对象检测。GhostPoint 通过为被遮挡或未观察到的区域幻觉特征来解决此问题，鼓励学习到的表示来模拟超出直接观察的结构。在 nuScenes 和 Waymo 数据集上的评估表明，GhostPoint 取得了最先进的性能，尤其是在稀疏扫描和标签有限的情况下。
-
新型IRGNN模型提升自动驾驶雷达目标检测能力
研究人员开发了IRGNN（不变雷达图神经网络），一种用于自动驾驶系统中雷达点云目标检测的新型网络。该网络通过将稀疏无序的雷达数据转换为具有平移和旋转不变特征的图表示，解决了数据处理的挑战。IRGNN采用增强的消息传递神经网络，以改进特征传播和上下文建模，并在RadarScenes数据集上展现出优于现有雷达方法的性能和效率。
-
CORAL系统通过基于课程的强化学习推进自动驾驶
研究人员开发了CORAL，这是一种用于增强自动城市驾驶强化学习的新方法。CORAL利用一个课程，该课程逐步增加路线长度和行为约束，并配有一个阶段感知奖励系统，该系统根据任务难度调整其权重。该方法使用紧凑的状态表示在CARLA模拟器中进行训练，在目标实现和路线完成方面显著优于标准的Proximal Policy Optimization基线，并展示了对未见过的城市环境的强大的零样本可迁移性。