面向流式 LiDAR 目标检测：以点云为Egocentric序列
计算机视觉与模式识别
2026-01-05 v2 人工智能
机器学习
摘要
准确且低延迟的3D目标检测是自动驾驶的核心需求，因安全性取决于快速响应与可靠感知。虽然旋转LiDAR传感器因其稳健性与高保真度而广泛采用，但现有检测器面临权衡：流式方法实时处理部分极坐标扇区，虽能快速更新，却受限于视野不足、跨扇区依赖关系缺失以及由 retrofit Cartesian 设计引发的畸变；而全扫描方法虽实现更高精度，却受制于LiDAR一圈扫描的固有延迟。我们提出Polar-Fast-Cartesian-Full (PFCF)，一种混合检测器，集fast polar处理于内侧扇区特征提取，结合准确的Cartesian推理实现全场景理解。PFCF的核心在于一个定制的基于Mamba SSM的流式背板，采用维度分解卷积，规避了畸变严重的平面，实现参数高效、平移不变且抗畸变的极坐标表征学习。该背板提取局部扇区特征，再通过全扫描背板将特征积累至扇区特征缓冲区，以实现高效的跨扇区通信。PFCF在Waymo Open数据集上建立了新的Pareto前沿，相较于现有流式基线提升10% mAP，同时以全扫描精度的两倍更新速率实现匹配。代码已公开：https://github.com/meilongzhang/Polar-Hierarchical-Mamba
引用
@article{arxiv.2506.06944,
title = {Towards Streaming LiDAR Object Detection with Point Clouds as Egocentric Sequences},
author = {Mellon M. Zhang and Glen Chou and Saibal Mukhopadhyay},
journal= {arXiv preprint arXiv:2506.06944},
year = {2026}
}
备注
Accepted to WACV 2026