面向 3D 点云配准的 LiDAR 端到端优化
计算机视觉与模式识别
2026-02-12 v1 机器人学
摘要
LiDAR 传感器是 3D 感知的关键模态，但通常独立于下游任务（如点云配准）进行设计。传统配准基于预获取的数据集，LiDAR 配置固定，导致数据采集次优且需大量计算用于采样、噪声滤波和参数调优。本文提出自适应 LiDAR 感知框架，动态调整传感器参数，联合优化 LiDAR 采集与配准超参数。通过将配准反馈融入感知环，方法在点密度、噪声与稀疏性之间实现最优平衡，提升配准精度与效率。CARLA 仿真评估表明，方法优于固定参数基线，同时保持泛化能力，凸显自适应 LiDAR 在自动感知与机器人应用中的潜力。
引用
@article{arxiv.2602.10492,
title = {End-to-End LiDAR optimization for 3D point cloud registration},
author = {Siddhant Katyan and Marc-André Gardner and Jean-François Lalonde},
journal= {arXiv preprint arXiv:2602.10492},
year = {2026}
}
备注
36th British Machine Vision Conference 2025, {BMVC} 2025, Sheffield, UK, November 24-27, 2025. Project page: https://lvsn.github.io/e2e-lidar-registration/