
-
生物通官微
陪你抓住生命科技
跳动的脉搏
研究适用于不同类型多波束激光雷达的统一三维物体检测方法
《IEEE Transactions on Industrial Informatics》:Investigating a Unified 3-D Object Detection Method for Different Multibeam LiDAR
【字体: 大 中 小 】 时间:2026年01月09日 来源:IEEE Transactions on Industrial Informatics 9.9
编辑推荐:
多束LiDAR异构数据检测框架设计。针对现有方法在跨束兼容性和多源数据利用上的不足,提出UniDMB统一检测器,包含空间特征对齐模块和全局状态空间模块,通过模拟构建多传感器数据集验证其有效性。
物体检测是自动驾驶领域的一个基础研究问题[1]。点云作为一种常用的3D表示方式,因其灵活性和紧凑性而受到了研究界的广泛关注。然而,由于点云的稀疏性和无序性,直接将2D方法应用于3D数据是不可行的。为了更好地利用点云信息,已经提出了许多方法[2]、[3]、[4]、[5]、[6]、[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]。这些方法通常通过结合图像[2]、[3]、[4]、[5]来优化单个数据集的模型性能,设计独特的映射方法来应用2D卷积[6]、[7]、[8]、[9]、[10],并使用类似PointNet的方法[17]进行检测[11]、[12]、[13]、[14]、[15]。为了提高模型性能,还开发了多种方法[18]、[19]、[20]来同时训练多个开源数据集,并设计了多分支模型。ST3D和ST3D++方法[18]、[19]通过伪标记和去噪等策略有效利用了未标记数据,在领域适应任务中取得了显著的性能提升,并减轻了昂贵且困难的目标域标注工作负担;然而,它们的训练过程无法同时利用来自多个源域(如KITTI和nuScenes)的数据来共同提升模型性能,因为所有设计都是专门为目标域定制的。尽管Uni3D[20]在多个数据集(如KITTI、nuScenes和Waymo)上表现优异,但它缺乏针对异构传感器数据的特定架构设计或处理机制,从而限制了其整体效果。虽然Uni3DETR[21]采用了Transformer架构,赋予了其强大的全局建模能力和查询机制,但其根本局限性在于需要单独的模型来处理不同的数据集。此外,采用预训练和微调方法[22]、[23]、[24]来同时处理两个或多个数据集的方法也不可避免地需要多个训练阶段,并且高度依赖于预训练模型的性能。总而言之,这些方法在应用于实际场景时面临一个根本性的困境:实际应用中的传感器配置与开源数据集中的配置存在显著差异,导致模型训练遇到很大困难,包括数据利用方面的挑战以及需要重复训练循环。