自动驾驶3D目标检测综述（八）

最新推荐文章于 2025-08-19 17:12:55 发布
原创 最新推荐文章于 2025-08-19 17:12:55 发布 · 1.4k 阅读 · 24 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#自动驾驶 #3d #人工智能 #目标检测 #cnn #目标跟踪

在介绍完前九章的内容后，咱们已经基本完成了综述主题内容的解读。剩下只有第十章分析和展望以及第十一章总结的部分。本篇为自动驾驶3D目标检测综述的第八篇也将是最后一篇。

目录

1、研究趋势

1.1 数据选择的趋势

1.2 推理时间的趋势

1.3 基于激光雷达方法的趋势

1.4 基于相机方法的趋势

1.5 多模态方法的趋势

1.6 系统比较

2 未来展望

2.1 开放集合三维目标检测

2.2 更强可解释性的检测

2.3 三维目标检测高效硬件设计

2.4 端到端自动驾驶系统检测

第十章 分析和展望

在这个章节中，我们会对三维目标检测方法进行一个系统的对比和分析，并对自动驾驶三维检测展望未来研究方向。在第一节中，我们对各种各样的三维目标检测方法的检测性能和推理速度进行综合性的分析，比如基于激光雷达的、基于相机的、多模态的方法，在我们多年进一步总结研究其趋势的多种数据集上。在第二节，我们提出了在此领域的未来研究方向。

1、研究趋势

我们全面综合性地收集了近几年各类型三维目标检测方法的统计数据。这些统计数据包含了三维目标检测方法在最广泛使用的数据集KITTI、nuScenes和Waymo上的性能和推理时间。下面三张表分别展示了三种数据集上的统计数据。通过分析这些数据，我们得到了三维目标检测研究趋势方面一些有趣的发现。

1.1 数据选择的趋势

在2018年以前，大部分方法都只在KITTI数据集上进行评估，并且他们采用的评估指标是二维的平均精确度（AP_{2D}），他们通过将三维边界框投影到图像平面上再与地面实况二维框进行比较。从2018到现在，越来越多的文章采用三维或BEV平均精度（AP_{3D}或AP_{BEV}，）这种方法是一种测量三维检测质量更加直接的指标。对于基于激光雷达的方法，基于KITTI数据集上的检测性能多年来迅速收敛，例如简单情况下的AP_{3D}从71.40%增长到90.90%，甚至困难情况下的AP_{3D}达到了79.14%。因此，从2019年起，越来越多的基于激光雷达的方法采用更大和更多种类的数据集，例如nuScenes和Waymo Open数据集。大尺度数据集也提供了更多有效的数据类型，例如由Waymo提供的原始图像促进了基于范围方法的发展。对于基于相机的检测方法，基于KITTI数据集的单目检测的

最低0.47元/天 解锁文章

200万优质内容无限畅学
CVPR 2023 | MSF：基于点云序列融合的高效3D目标检测网络（Wamyo SOTA）
CV_Autobot的博客
04-05 2027
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【3D目标检测】技术交流群后台回复【3D检测综述】获取最新基于点云/BEV/图像的3D检测综述！点云序列通常用于在自动驾驶等应用中准确检测3D目标，当前性能最好的多帧检测器大多遵循Detect and Fuse框架，该框架从序列的每一帧中提取特征并将其融合以检测当前帧中的目标。然而，这不可避免地导致许多冗余的计...
3D点云目标检测综述
weixin_42608406的博客
10-16 4808
写在前面 本文是根据Deep Learning for 3D Point Clouds A Survey[1]和A Survey on 3D Object Detection Methods for Autonomous Driving Applications[2]两篇综述论文进行3D点云目标检测研究的讨论和总结。 数据类型 目前主要应用点云和图像数据进行目标检测。不同的数据类型有不同的特点。 点云数据：三维点云提供了精确的几何体和对光照变化的鲁棒性；提供了相对速度定位和精确深度的结构和空间信息；但是点云
自动驾驶3D目标检测综述（一）
qq_52889317的博客
11-11 2352
文章地址：[2206.09474] 3D Object Detection for Autonomous Driving: A Comprehensive Survey (arxiv.org)这篇综述简单易懂，非常合适对自动驾驶和3D目标检测感兴趣的小白阅读，对相关算法进行初步理解。
自动驾驶3D目标检测综述（三）
qq_52889317的博客
11-22 2673
在这个章节主要介绍一些基于相机的3D目标检测的方法，分别会回顾和分析单目3D目标检测（又分为仅基于图像、深度信息辅助和先验引导的方法）、基于立体图像的3D目标检测和多相机下的3D目标检测方法。
自动驾驶3D目标检测综述（五）
qq_52889317的博客
12-08 1709
第七章 时间3D目标检测在这个章节中主要介绍时间三维目标检测方法。基于数据类型，可以将这些方法分成三类：雷达序列检测、流输入的检测和来自视频的检测。在第一节，我们会回顾采用顺序激光雷达扫描的三维目标检测方法。第二节会介绍采用流数据作为输入的检测方法。第三节我们会研究一种来自视频和多模态时间数据的三维目标检测。
自动驾驶3D目标检测综述（六）
qq_52889317的博客
12-24 2326
这一篇接着（五）的第七章开始讲述第八章的内容。第八章主要介绍的是三维目标检测的高效标签。
自动驾驶3D目标检测综述（七）
qq_52889317的博客
01-07 981
本章紧接上一章内容，讲述第九章的内容：在驾驶系统中的3D目标检测。第九章 驾驶系统中的3D目标检测在本章节中，我们将会介绍驾驶系统中3D目标检测存在的一些严重问题。首先第一节，我们会回顾和分析三维目标检测以端到端方式和其他任务如追踪、策略预测、移动规划、定位一同训练的方法。第二节，我们会介绍为三维目标检测和自动驾驶所设计的仿真系统。第三节，我们会深入调查三维目标检测器和安全意识三维目标检测的鲁棒性话题。第四节，我们会回顾协同三维目标检测相关方法。
自动驾驶3D目标检测综述（二）
qq_52889317的博客
11-14 2825
本章主要介绍基于激光雷达的3D目标检测方法，这也是目前最常使用的方法。主要会介绍一些算法的模型（有基于点的、基于网格的、基于点体素的和基于范围的）。之后学习3D目标检测器的学习目标，有基于锚点（anchor）的框架和无锚点的框架以及基于雷达的3D目标检测的辅助任务。首先下图展示了基于激光雷达的目标检测方法时间序列图：可以看到基于网格（Grid）的方法最早在2015年出现，也就是vote3D；接着是基于点（Point）的方法，即PointRCNN和IPOD；
自动驾驶目标检测综述
weixin_42263762的博客
03-21 1004
自动驾驶目标检测已从单一传感器、单模态方法发展为多传感器融合、端到端优化的复杂系统。尽管深度学习显著提升了性能，但**复杂场景的鲁棒性、实时性、数据效率**仍是核心挑战。未来，结合物理模型、轻量化设计、多模态交互及安全性验证，目标检测技术将向更可靠、更普适的自动驾驶系统迈进。
自动驾驶中的传感器技术33——Lidar（8）
Godspeed_zwh的博客
08-16 1185
激光雷达测速方法主要分为直接法和间接法。直接法通过FMCW回波FFT变换直接测量目标径向速度；间接法则通过多帧点云位移与时间比值计算速度，需先进行目标识别与跟踪。FMCW激光雷达利用多普勒效应测量相对速度，通过发射调频连续波信号（Chirp）并分析回波信号的频率变化实现测距和测速。混频后的中频信号相位变化可反映目标速度，而距离分辨率取决于扫频带宽。间接测速常结合卡尔曼滤波算法，通过点云识别运动目标后利用运动模型（如CTRV）估计目标状态。实际应用中，需综合激光雷达点云和相机数据进行目标联合状态估计。
L2级别自动驾驶 软件架构设计
luoganttcc的博客
08-15 903
L2级自动驾驶系统架构围绕结构化道路场景设计，聚焦纵向和横向控制功能，同时要求驾驶员持续监控。系统采用摄像头+毫米波雷达组合实现环境感知，通过多源融合完成米级定位。预测层针对高速场景简化模型，规划层实现ACC+LCC联动控制。整体架构遵循成本可控原则，强调人机协同与功能安全，包含感知、定位、预测、规划等八大模块，满足辅助驾驶需求而非完全自动驾驶。
【自动驾驶】8月 端到端自动驾驶算法论文（arxiv20250819）
最新发布
聿默的博客
08-19 542
自动驾驶领域近期研究聚焦于感知增强、规划优化和系统鲁棒性。CP-FREEZER首次揭示了协同感知系统的延迟攻击风险，实验显示攻击可使处理时延提升90倍。多篇研究探索多模态融合方法：GroundingOcc通过粗到精策略实现3D占据空间定位，DiffSemanticFusion融合栅格与图结构表示提升轨迹预测性能（nuScenes任务提升5.1%）。BEV（鸟瞰图）感知成为技术热点，ME3-BEV和GMF-Drive分别引入Mamba架构和门控融合机制优化端到端系统。风险感知方面，RiskMap提出将风险地图
ROS教育中自动驾驶机器人的技术融合与技术创新
CHEESEFAIRY_P的博客
08-12 1060
深圳普蓝机器人推出的自动驾驶机器人，以 ROS 系统为基础架构，深度融合 AI 框架，凭借强大的技术性能与开放的二次开发能力，为高校师生和科研人员提供了高效的创新平台，在智能教育及多场景应用中展现出卓越的技术实力。为基础，这一被全球学术界广泛认可的开源系统，为机器人的模块化开发提供了标准化接口，使学生和科研人员能够快速调用导航、感知、控制等核心功能模块，降低了底层开发的技术门槛。其稳定的控制性能和扩展能力，能够模拟真实场景中的机器人工作状态，为相关领域的技术创新提供可靠的实验数据。
世界模型之自动驾驶
m0_75253143的博客
08-18 146
世界模型正成为人工智能领域最具前景的研究方向之一，特别是在自动驾驶和机器人技术领域，它被视为实现真正智能行为的关键突破点。世界模型本质上是一种能够理解和预测环境动态变化的内部表示系统，使机器能够像人类一样通过"心理模拟"来预判未来可能发生的场景，从而做出更优决策。
自动驾驶中的传感器技术24.1——Camera（16）
Godspeed_zwh的博客
08-16 1239
虚拟CMS 理想新增HUD数字后视镜影像功能成为市场关注焦点，通过借助现有智驾感知硬件和HUD交互，通过直接调用环视/侧视摄像头，在驾驶员拨动转向杆的同时，通过HUD显示转向盲区的图像，实现类似CMS的部分盲区显示功能。理想旗下的多款车型都开始陆续OTA这项新功能，也被视为上车在传统功能层面的一次创新。尽管相比于CMS的图像显示清晰度有很大的差距，但实现了低成本的功能落地。理想软件实现，硬件借助HUD和侧视Camera。
宏观认识 Unitree LiDAR L1 及其在自动驾驶中的应用
weixin_43745234的博客
08-18 751
Unitree LiDAR L1是一款多线激光雷达，集成了高精度点云采集和IMU功能，为自动驾驶提供关键感知数据。其SDK支持底层数据获取与解析，而ROS包则将数据封装为标准化话题，便于系统集成。在自动驾驶应用中，LiDAR L1可参与感知层环境建模，结合IMU实现定位与建图，最终形成感知-决策-控制的闭环系统。开发建议从基础数据获取起步，逐步接入定位算法（如LIO-SAM），最终构建完整自动驾驶框架。该设备为中小型自动驾驶平台提供了高性价比的感知解决方案。
自动驾驶系统“测试”的“要求”与“规范体系”
lmj1689120的博客
08-15 710
自动驾驶技术作为汽车产业智能化转型的核心领域，其测试验证环节直接关系到技术的安全性和可靠性。随着自动驾驶等级的提高，传统的测试方法已无法满足需求，测试验证体系正从单一实车测试向”多支柱”验证方法转变，形成仿真测试、硬件在环测试和实际道路测试的综合验证框架。我国已牵头制定多项国际标准，构建了覆盖基础、场景构建和场景应用的三层标准体系，为自动驾驶技术的验证和应用提供了规范化指导。本文将系统梳理自动驾驶系统测试的必要性、方法论和具体规范要求，为相关企业、研究机构和监管部门提供参考。
L2 级别自动驾驶 硬件架构设计
luoganttcc的博客
08-15 1527
L2 级自动驾驶硬件架构以 “
（论文速读）ViDAR：视觉自动驾驶预训练框架
LJ1147517021的博客
08-16 1037
【摘要】本文提出ViDAR，一种创新的视觉点云预测预训练方法，用于解决自动驾驶系统对语义、3D几何和时序联合建模的挑战。通过历史视觉输入预测未来点云，ViDAR采用潜在渲染算子将2D特征转化为3D表示，避免了传统方法的射线形状特征问题。实验表明，该方法在nuScenes数据集上显著提升下游任务性能：3D检测NDS提升3.1%，运动预测误差降低10%，规划碰撞率下降15%。特别值得注意的是，ViDAR仅需一半标注数据即可超越全监督基线，为实现可扩展的自动驾驶提供了新范式。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值