在传感器退化条件下，用于激光雷达（LiDAR）三维物体检测的有界图条件化方法 李秀萍（Li Xiuping） 孙希彦（Sun Xiyan） 李静静（Li Jingjing） 季远发（Ji Yuanfa） 傅文涛（Fu Wentao）

《Sensors》：Bounded Graph Conditioning for LiDAR 3D Object Detection Under Sensor Degradation Xiuping Li, Xiyan Sun, Jingjing Li, Yuanfa Ji and Wentao Fu

　　摘要：光探测与测距（LiDAR）的三维（3D）物体检测在点稀疏性、异常值、坐标噪声和校准漂移的情况下性能会下降，然而检测器的评估主要仍局限于干净的基准测试环境。本研究关注的是感知鲁棒性，而非检测器的重新设计。我们引入了有界图条件化（Bounded Graph Conditioning，简称BGC）——这是一种确定性的预体素化前端技术，它在未经修改的检测器框架之前应用k最近邻（kNN）邻域平均算法，并结合有界残差校正。通过可复制的传感器退化测试协议和风险约束的操作边界分析对BGC进行了评估。在KITTI数据集上使用PointPillars、SECOND和Voxel R-CNN进行的实验表明，BGC在强噪声和强异常值条件下显著提高了检测质量和可行的操作覆盖范围；在其他退化类型下的提升较小且依赖于检测器框架本身。在SECOND数据集的主要分数级箱不相交校准/测试评估中，当目标风险限制为0.2时，在强噪声（σ=0.10米）条件下最大可行覆盖范围从0.0754提高到了0.1374，在强异常值条件下从0.1323提高到了0.1591；在Voxel R-CNN上的跨框架验证也证实了这一趋势。与传统的过滤方法（SOR和ROR）相比，BGC在不同类型的故障中表现出互补的优势。一种根据距离区间调整参数的BGC变体在混合未知故障、球坐标噪声以及与数据集匹配的nuScenes验证中进一步提升了性能（适应性BGC的mAP/NDS值在强噪声条件下的表现优于基线）。严重的平移漂移会导致所有配置都出现完全拒绝的结果，这暴露了局部条件化无法解决的感知边界问题。这些结果支持BGC作为一种实用的传感器端鲁棒性增强技术，在所研究的退化协议下具有条件性而非普遍适用性，适用于不同的检测器框架和故障类型。