{
  "paper_id": "c0bf7f985fdd027f283447b03fdb360e",
  "paper_title": "Positioning and perception in LIDAR point clouds",
  "paper_authors": [
    "Csaba Benedek",
    "Andras Majdik",
    "Balazs Nagy",
    "Zoltan Rozsa",
    "Tamas Sziranyi"
  ],
  "publication_date": "2021-08-03",
  "publication_venue": "Elsevier",
  "abstract": "In the last decade, Light Detection and Ranging (LIDAR) became a leading technology of detailed and reliable 3D environment perception. This paper gives an overview of the wide applicability of LIDAR sensors from the perspective of signal processing for autonomous driving, including dynamic and static scene analysis, mapping, situation awareness which functions significantly in point beyond the role of a safe obstacle detector, which was the sole typical function for LIDARs in the pioneer years of driver-less vehicles. The paper focuses on a wide range of LIDAR data analysis applications of the last decade, and in addition to the presentation of a state-of-the-art survey, the article also summarizes some issues and expected directions of the development in this field, and the future perspectives of LIDAR systems and intelligent LIDAR based information processing.",
  "keywords": [
    "Lidar",
    "Object detection",
    "SLAM",
    "Change detection",
    "Navigation"
  ],
  "paper_institutions": [
    "Machine Perception Research Laboratory (MPLab)",
    "Institute for Computer Science and Control (SZTAKI)",
    "Eötvös Loránd Research Network (ELKH)"
  ],
  "output_language": "zh",
  "provider": "doubao",
  "model": "ark-code-latest",
  "prompt_template": "simple",
  "extracted_at": "2026-08-16T19:46:25.799573Z",
  "template_tag": "simple",
  "summary": "### 摘要\n本文综述了激光雷达（LIDAR）在自动驾驶领域的广泛应用，重点讨论了从信号处理角度对动态和静态场景的分析、建图、态势感知等技术。文章首先回顾了LIDAR传感器的发展历程和不同类型（如旋转多束RMB、移动激光扫描MLS、多普勒LIDAR等），并指出了其在不同场景下的适用性。针对物体感知，文章比较了基于传统几何的方法和基于深度学习的方法，如PointPillars和VoxelNet，并分析了数据稀疏性、非均匀采样等挑战。为了应对低分辨率LIDAR（如平面或少数线束）和恶劣天气条件，文中提出了基于局部结构统计和CNN的分类方法，并在部分公开数据集上取得了高准确率。在定位与建图方面，文章介绍了LOAM、SegMap、LOL等算法，以及基于SLAM的定位与稠密地图配准技术。针对移动激光扫描数据的语义分割，文中提出了C²CNN方法，有效处理了运动物体产生的幻影效应，并在SZTAKI CityMLS基准上达到了90.3%的总体F值。此外，文章还讨论了变化检测（如i3D与MLS点云之间的变化）以及相机-LIDAR的自动标定技术，提出了一种基于运动恢复结构（SfM）的在线标定方法。最后，指出了未来发展方向，包括利用多反射、多普勒效应以及更小型化传感器等。LIDAR的核心机制是依据激光发射与接收的往返时间计算目标距离，公式为d = c·Δt/2，其中d为距离，c为光速，Δt为时间差。\n\n### 关键要点\n- LIDAR传感器类型多样，包括旋转多束（RMB）、移动激光扫描（MLS）和多普勒LIDAR，各自适用于不同场景，如RMB提供360°视野但垂直分辨率有限，MLS可生成高密度点云用于高精地图。\n- 在物体检测中，传统几何方法多采用Kd-tree、Octree或体素栅格加速计算，而深度学习方法如PointPillars和VoxelNet能实时输出3D包围框，PointPillars通过将点云转换为柱状表示提升了速度与精度。\n- 针对硬件限制的低分辨率LIDAR（如平面单线扫描仪），文中提出基于局部表面描述符和关键点图频率比较的方法，在仅20%可见度的分类任务中达到73.3%的准确率。\n- 对于场景限制的低分辨率感知（如远处物体仅占据少数扫描线），文中采用形状描述符和CNN分类，在KITTI数据集中对最多4层扫描线的物体达到96.6%的分类准确率。\n- 恶劣天气（雨、雪、雾）会降低LIDAR性能，当前解决方案包括物理模型滤波、噪声去除和语义方法，并已有相应数据集（如Seeing через Fog）支持研究。\n- 定位与建图方面，LOAM算法在KITTI上表现出低漂移，但长轨迹误差累积；SegMap通过数据驱动描述符进行回环检测，LOL算法融合两者并增加几何约束，精度显著提升。\n- 在稠密MLS地图中定位时，需将稀疏RMB点云与MLS点云配准，方法包括基于关键点和语义信息的变换估计，初始位置来自GPS。\n- 语义分割中，C²CNN采用双通道3D卷积神经网络，专门处理MLS点云中的幻影效应，在SZTAKI CityMLS基准上对植被、行人等类别的F值均超过85%，总体F值达90.3%。\n- 变化检测任务中，由于i3D与MLS点云密度差异大，采用MRF框架在距离图像域提取变化，再投影回3D，有效识别移动物体和环境变化。\n- 相机-LIDAR标定方法分为基于目标和无需目标两类，文中提出的在线标定方法利用SfM从相机数据生成点云并与LIDAR点云匹配，无需GNSS/IMU，仅依赖原始传感器流即可自动计算外参。\n- 未来趋势包括利用LIDAR的多反射、多普勒效应和反射强度信息，以及开发更小更紧凑的传感器以便用于无人机，同时深度学习与经典几何方法相结合以提升性能。"
}