早已如此：基于 nostalgia 的 LiDAR 压缩用于自动驾驶汽车
图像与视频处理
2025-11-04 v1 计算机视觉与模式识别
摘要
自动驾驶车辆每天可生成数 TB 的传感器数据。其中相当一部分由深度传感器（如 LiDAR）产生的 3D point cloud。该数据必须传输到云端存储，用于训练机器学习模型或进行分析，如事故后的 Forensic 调查。为降低网络和存储成本，本文引入 DejaView。尽管先前工作使用 interframe redundancies 压缩数据，但 DejaView 在更大时间尺度（天和月）上搜索并利用 redundancies 以实现更有效的压缩。我们设计 DejaView 的灵感来源于自动驾驶车辆的 operating area 受限且主要沿相同路线行驶的事实。因此，他们每天收集的 3D 数据可能与过去捕获的数据相似。为捕获这一点，DejaView 的核心是一种 diff operation，将 point cloud 相对于过去的 3D 数据紧凑表示。使用两个月的 LiDAR 数据，DejaView 的 end-to-end 实现可在仅 15 cm 的重构误差下将 point cloud 压缩 210 倍。
引用
@article{arxiv.2511.00652,
title = {Been There, Scanned That: Nostalgia-Driven LiDAR Compression for Self-Driving Cars},
author = {Ali Khalid and Jaiaid Mobin and Sumanth Rao Appala and Avinash Maurya and Stephany Berrio Perez and M. Mustafa Rafique and Fawad Ahmad},
journal= {arXiv preprint arXiv:2511.00652},
year = {2025}
}