lidar
PulseAugur coverage of lidar — every cluster mentioning lidar across labs, papers, and developer communities, ranked by signal.
- used by three-dimensional object detection 90%
- used by Autonomous Vehicles 90%
- uses Camera 90%
- used by Nuscenes 70%
- used by alphaXiv 70%
- used by Gotit.pub 70%
- instance of Autonomous Vehicles 70%
- used by Carla 70%
- used by SemanticKITTI 70%
- used by Unitree Go2 70%
- used by 4D radar 70%
- used by Cameras 70%
- 2026-05-18 research_milestone A new method for imaging hidden objects using consumer LiDAR was published. 来源
19 天有情绪数据
-
新泽西州自动驾驶出租车法案可能禁止特斯拉的自动驾驶技术
新泽西州正在考虑一项自动驾驶出租车法规，该法规可能会禁止特斯拉的自动驾驶技术。拟议的立法要求车辆使用激光雷达（LiDAR），这是一种特斯拉在其Autopilot和Full Self-Driving系统中明显避免使用的传感器技术。此举可能会对特斯拉的战略及其在该州部署其车辆提供自动驾驶网约车服务的能力产生重大影响。
-
激光雷达与鱼眼相机融合模型增强建筑机器人目标跟踪
研究人员为建筑环境开发了一种新颖的传感器融合模型，结合了激光雷达和鱼眼相机数据，用于动态目标检测和跟踪。该框架通过整合精确的激光雷达测量数据和来自RGB图像的语义信息，增强了四足机器人。该系统将3D坐标投影到2D全景图上以分配语义标签，并使用实时图像检测更新卡尔曼滤波器。该系统展示了高精度和鲁棒性，尤其是在处理在静态和动态状态之间转换的对象时。
-
G-PROBE框架通过窄视场增强3D点云定位
研究人员开发了G-PROBE，一种用于3D点云全局定位的新型框架，克服了受限或不对称视场带来的限制。这种无需学习的方法采用虚拟传感器分解和跨视场分支集成，即使在传感器输入狭窄的情况下也能实现鲁棒的地点识别。该系统集成了分数尺度不变的gamma-SGRT以减轻航向混叠，以及一个CG-GICP后端，该后端利用高确定性的共观测点来优化姿态估计，在各种激光雷达数据集和模态上均取得了优于现有方法的性能。
-
Utonia：统一的3D点云编码器推动感知与推理
研究人员推出了Utonia，这是一种新颖的自监督点变换器编码器，旨在处理来自不同领域的各种3D点云数据。这种统一的方法旨在创建一个能够理解来自遥感、LiDAR、RGB-D序列甚至纯RGB视频等来源数据的单一模型。通过在这些不同的领域学习一致的表示空间，Utonia展示了改进的感知能力，并推动了具身和多模态推理的进步，造福于机器人和视觉语言模型中的应用。
-
新的 P3 数据集结合 LiDAR 和图像进行建筑矢量化
研究人员推出了 P$^3$ 数据集，这是一个大规模的多模态基准，用于建筑矢量化。该数据集结合了全球范围内收集的航空 LiDAR 点云、高分辨率航空影像和矢量化的 2D 建筑轮廓。它包含超过 100 亿个具有分米级精度的 LiDAR 点和地面采样距离为 25 厘米的 RGB 图像。P$^3$ 数据集旨在通过包含密集的 3D 信息，为建筑矢量化提供比现有以图像为主的数据集更全面的视角，证明了 LiDAR 在预测建筑多边形方面的有效性，并表…
-
自动驾驶传感器融合摄像头、雷达和激光雷达以改进3D目标检测 · 跟踪2个来源
两篇新的研究论文提出了用于自动驾驶的先进传感器融合技术，重点关注在挑战性条件下改进3D目标检测。Sparse4D-Radar引入了一个用于环视4D雷达和摄像头融合的高效框架，在保持高推理速度的同时提高了检测精度和鲁棒性。RAF是另一种新颖的方法，它集成了摄像头、激光雷达和4D雷达数据，专门通过学习抑制不可靠的视觉线索来应对恶劣天气，并提高了在基准数据集上的检测性能。
-
微型无人机仅使用单目视觉进行室内导航以进行搜救
研究人员为用于搜救任务的微型无人机（UAV）开发了一种新颖的室内导航系统。该系统名为TRISTAR，仅使用单目视觉，无需昂贵的激光雷达或专用深度相机等硬件。它集成了来自Depth Anything V2的深度估计与经典计算机视觉技术，用于场景理解、受害者检测和危险识别。TRISTAR的一个关键特性是其三传感器融合方法，用于稳健的楼梯上升识别，结合了结构线索、纹理分析和几何深度。
-
新的合成数据集解决了施工监测的二维变化检测问题
研究人员推出 iVISION-2DCD，这是一个新颖的合成数据集，旨在解决大规模户外施工监测中二维变化检测的挑战。该数据集从密集 LiDAR 点云和照片级真实感图像生成，旨在促进计算机视觉和机器人算法的发展，使其能够鲁棒地识别不同摄像头视角的变化。当前方法在该领域面临视角变化和数据稀缺的挑战，而 iVISION-2DCD 提供了一个基准来评估和推进这些能力。
-
新AI方法解决自动驾驶汽车激光雷达闪光问题
研究人员开发了一种名为物理信息分割激光雷达闪光（PILF）的新方法，以解决基于单光子雪崩二极管（SPAD）的激光雷达系统中的闪光问题。该方法将SPAD信号的第一和第二回波以及环境光照视为不同的数据模态。通过聚合跨回波信息并编码几何和光度特征，PILF显著优于现有方法。实验表明，PILF在一个新的SPAD闪光数据集上达到了79.32%的mIoU，为自动驾驶应用中的闪光抑制提供了更有效的解决方案。
-
CRISP模型通过预测性预训练融合相机-雷达数据用于自动驾驶
研究人员开发了CRISP，一种专为自动驾驶设计的新型时空骨干网络，它融合了相机和雷达数据。与需要特定任务监督的先前模型不同，CRISP采用基于预测的方法进行预训练，从历史传感器输入预测未来的LiDAR点云。这种方法允许模型学习可重用的表示，而在部署时无需LiDAR，仅依赖相机和雷达。在nuScenes数据集上的实验表明，CRISP在提高预测准确性方面非常有效，并且在检测、跟踪和规划等各种下游驾驶任务中具有很强的可迁移性。
-
新的DH-Active系统通过选择性弃权增强LiDAR深度感知
研究人员开发了DH-Active，一个新颖的几何处理系统，旨在增强iPhone等设备的深度感知能力。该系统无需训练，使用LiDAR回波作为度量尺，锚定多个视图的相对姿态，然后进行视觉可追踪点的三角测量。DH-Active选择性地放弃在几何条件不佳时进行深度估计，提供明确的空洞和分数，而不是不准确的数据。该系统实现了近毫秒级的CPU延迟，并在各种基准测试中显示出深度恢复精度的显著提高。
-
深度学习模型通过连续数据映射改进树木生物量估算
研究人员开发了一种新的利用深度学习估算树木生物量分布的方法，从离散的样地级数据转向源自定量结构模型（QSMs）的连续水平生物量分布（HBD）测绘。该方法解决了传统方法中存在的边界效应问题，尤其是在较小的田间样地中。研究表明，基于QSM的模型在较小的样地尺寸下始终优于传统的森林清单（FI）方法，而HBD参考显著降低了误差并提高了R平方值。
-
新的C2E框架通过多教师对比知识蒸馏提升自动驾驶中仅靠自身感知的3D目标检测
研究人员开发了一个名为C2E（Co-Perception to Eo-Perception）的新框架，该框架增强了自动驾驶系统中的3D目标检测能力。该框架利用多教师对比知识蒸馏方法，将知识从协同感知模型转移到仅靠自身感知的模型。C2E框架旨在保留协同感知的高性能，同时减轻通信成本和姿态误差等问题。在多个数据集上的实验表明，在不增加通信开销的情况下，3D mAP性能得到了显著提升。
-
LiDAR 3D目标检测模型易受对抗性攻击
一篇新发表在arXiv上的研究论文分析了自动驾驶中使用的基于LiDAR的3D目标检测模型的对抗性鲁棒性。该研究引入了一个全面的框架，根据点云密度和定位等结构性因素以及错误分类和定位误差等预测性因素来评估模型。研究结果表明，高容量的基于体素的检测器比基于柱状的检测器更容易受到特定对抗性攻击，而非基于锚点的检测器鲁棒性较差，这表明需要改进训练技术和评估基准。
-
新的DCDA框架增强了恶劣天气下的3D目标检测能力
研究人员开发了一个名为双判别器引导扩散对齐（DCDA）的新框架，以提高自动驾驶系统在恶劣天气条件下进行3D目标检测的鲁棒性。该方法通过将退化的LiDAR特征对齐到一个干净的流形来学习恢复它们，而不是试图对特定天气类型进行建模。DCDA使用一个由4D雷达数据条件化的扩散过程，并由两个判别器引导：一个确保目标级别的可辨别性和定位准确性，另一个强制与干净天气表示的分布一致性。这种方法允许系统在不要求配对数据或天气标签的情况下泛化到未见过的天…
-
深度学习框架FLORA从多样化激光雷达数据预测森林属性
研究人员开发了FLORA，一个旨在从异构激光雷达数据预测森林属性的深度学习框架。该方法解决了国家尺度森林监测中的挑战，因为激光雷达数据会因传感器、采集参数和季节的不同而存在显著差异。FLORA采用基于八叉树的主干网络，并结合生态和时空辅助变量，在预测主高和总体积等属性方面表现出更强的跨季节鲁棒性和准确性。
-
新的RESOLVE数据集通过多分辨率激光雷达对路侧感知进行基准测试
研究人员推出了RESOLVE，这是一个旨在评估路侧协同感知系统的新型大规模数据集。该基准数据集包含在城市交叉路口各种条件下捕获的同步激光雷达和摄像头数据，拥有超过10万张图像和2.6万个点云帧，并带有22万个标注的边界框。RESOLVE通过提供三个不同的激光雷达分辨率级别的数据，允许对单一模态和融合型架构进行受控比较，从而深入了解多模态融合如何解决激光雷达点稀疏性问题。
-
新的FlexDepth模型提供鲁棒、实时的驾驶深度估计 · 追踪4个来源
研究人员开发了FlexDepth，这是一系列新颖的自监督单目深度估计模型，专为复杂的驾驶环境设计。该方法解决了现有模型在单尺度输出和在挑战性条件下性能下降方面的局限性，同时又过于复杂而无法用于汽车边缘设备。FlexDepth采用两阶段训练策略来解耦静态和动态元素，并使用尺度驱动解码器根据尺度大小有效地融合特征，以最小的计算开销实现了最先进的结果。其最小的变体Flex-Nano在移动平台上运行速度为37.6 FPS，提供实时感知和强大的泛化能力。
-
新的攻击方法揭示了LiDAR 3D目标检测器的结构性漏洞
研究人员开发了一种名为面向可解释性的视锥攻击（EFA）的新方法，以揭示基于LiDAR的3D目标检测器的漏洞。通过分析这些检测器如何利用空间证据，显著性LiDAR（SALL）方法创建了突出影响区域的显著图。EFA然后针对这些特定区域，与现有方法相比，用更少的扰动显著降低了检测召回率。这项研究表明，当前的3D检测器严重依赖于有限的空间区域，揭示了LiDAR感知系统的结构性弱点。
-
GeoISF 管道提高了 LiDAR 到卫星地理定位的准确性
研究人员开发了 GeoISF，一种使用地面 LiDAR 点云和卫星图像进行大规模跨视图地理定位的新型管道。该方法通过构建实例语义森林来解决语义对齐和模态差距相关的挑战，该森林整合了来自多个帧的语义树，以增强时间表示和判别能力。GeoISF 通过使用环境语义作为共享媒介，有效地弥合了模态差距，从而提高了匹配精度，并在 KITTI 等数据集上显著优于现有方法。