DENALI：面向低成本 LiDAR 的非视线空间推理数据集
机器人学
2026-04-20 v1 计算机视觉与模式识别
摘要
消费级 LiDAR 在移动设备和机器人中通常仅输出每个像素的单个深度值。然而，它们内部记录的是包含直接光返回和多次反弹光的完整时序直方图，这些多次反弹返回包含丰富的非视线（Non-line-of-sight, NLOS）线索，可用于感知场景中被遮蔽的物体。然而，消费级 LiDAR 的严峻硬件限制使得采用传统方法进行 NLOS 重建困难。本文提出一种互补思路：通过数据驱动推断利用低成本 LiDAR 实现 NLOS 感知。我们提出 DENALI，首个来自低成本 LiDAR 捕获隐藏物体场景的大规模真实世界数据集。我们捕获了 72,000 个隐藏物体场景的时间分辨 LiDAR 直方图，涵盖多样化的物体形状、位置、光照条件以及空间分辨率。利用该数据集，我们表明消费级 LiDAR 可实现准确的数据驱动 NLOS 感知。我们进一步识别了限制性能的关键场景因素和建模因素，以及当前仿真-现实迁移中的仿真保真度差距，为面向消费级 LiDAR 可扩展的 NLOS 视觉传感奠定基础。
引用
@article{arxiv.2604.16201,
title = {DENALI: A Dataset Enabling Non-Line-of-Sight Spatial Reasoning with Low-Cost LiDARs},
author = {Nikhil Behari and Diego Rivero and Luke Apostolides and Suman Ghosh and Paul Pu Liang and Ramesh Raskar},
journal= {arXiv preprint arXiv:2604.16201},
year = {2026}
}