激光雷达 3D 目标检测是自动驾驶、机器人感知里的核心任务,它依靠激光雷达输出的点云数据,直接算出目标在三维空间里的位置、长宽高、朝向以及类别,相比纯摄像头 2D 检测,它不受光照影响、深度信息更可靠,但是点云天生稀疏、远距离目标点数很少、容易被遮挡,所以整个领域衍生出了很多不同路线的算法,这篇综述就是把传统方法、深度学习各类方案、评测数据集、技术难点和未来方向完整梳理清楚,方便大家快速看懂这个方向的技术路线和取舍。激光雷达打出来的点云不是规整图片,是一堆离散的空间坐标点,没法直接用普通卷积处理,所以所有算法的第一步,都要先做点云表达形式的转换,不同表达形式就对应了不同算法流派,同时不同流派在精度、推理速度、显存占用上各有取舍,在 KITTI、nuScenes、Waymo 这些公开数据集上的表现差异也很明显。
一、激光雷达 3D 目标检测主流技术路线
- 传统几何方法
- 基于点的深度学习方法
- 基于体素 / 柱状体素(PointPillars)方法
- 距离视图 / BEV 鸟瞰图投影方法
- 点 - 体素混合与多模态融合方法
流程一般是地面分割、点云聚类、人工特征筛选、目标分类。先把地面点去掉,再把空间上挨在一起的点聚成候选障碍物,依靠尺寸、密度这些手工特征判断是车、行人还是非机动车。优点是简单、推理快,适合简单园区、固定轨道场景;缺点是复杂拥堵、遮挡多的时候很容易出错,泛化能力差,现在大多用来做前处理辅助。
直接拿原始点作为输入,不做网格化转换,典型代表 PointNet、PointNet++、3DSSD。优点是保留完整几何细节,不会因为网格化丢失信息;缺点是计算量大、不容易并行加速,部署到车载芯片上难度偏高,适合对精度要求高、算力充足的场景。
把 3D 空间切成一个个小格子(体素)或者垂直柱子,把点云转换成网格形式,再用稀疏卷积、2D 卷积提取特征,PointPillars、SE-SSD、CIA-SSD 都属于这一类。这是目前工程落地最常用的路线,平衡了精度和速度,很多量产自动驾驶方案都在用。
把点云投影成圆柱距离图或者俯视鸟瞰图,转换成类似图片的二维结构,用 CNN 处理。BEV 方案现在热度很高,天然适合做多传感器融合;距离视图容易出现遮挡带来的投影失真,远距离目标效果偏弱。
像 PV-RCNN、PV-RCNN++,同时拿体素特征和关键点特征,兼顾速度和细节;激光雷达 + 相机融合是现在提升语义能力的主流方向,用图像补点云缺少的纹理、颜色信息,难点是传感器标定、时间同步、模态之间对齐。
二、常用评测数据集与评价指标
| 数据集 | 特点 | 适合场景 |
|---|---|---|
| KITTI | 早期经典,城市道路,标注车辆、行人、骑行者 | 入门算法验证、对比基础精度 |
| nuScenes | 360° 点云,多天气昼夜场景,类别多 | 多模态、复杂场景鲁棒性测试 |
| Waymo | 数据规模大、多激光雷达,高速 + 城区 | 工业级高可靠算法验证 |
常用评价指标:3D AP(三维平均精度)、BEV AP、NDS(nuScenes 打分,兼顾精度、速度、方向误差)。
三、目前领域里面临的核心难题
- 点云稀疏:距离越远,目标上的点越少,小目标比如行人、锥桶很容易漏检
- 恶劣天气:雨、雾、雪会让激光反射噪声变多,有效点减少
- 标注成本高:3D 框标注远比 2D 图片标注费时,高质量标注数据稀缺
- 跨域泛化:在 A 数据集训好的模型,换到别的激光雷达、别的城市场景效果下降
- 部署矛盾:高精度模型算力开销大,车载边缘芯片要在时延、功耗、精度之间取舍
四、未来研究方向清单
- 轻量、高效的 BEV 检测方案,适配车载低算力平台
- 自监督、半监督学习,降低 3D 标注依赖
- 激光雷达 + 相机 + 雷达多模态动态融合,自适应不同天气
- 恶劣天气、远距离、长尾小目标的鲁棒检测
- 对抗样本、物理攻击下的安全可靠性研究
五、总结
激光雷达 3D 目标检测已经从传统几何走向深度学习,体素、PointPillars、BEV 是落地主力,点基方法适合高精度研究,多模态融合是提升上限的关键。但稀疏点云、恶劣天气、标注昂贵、跨传感器泛化这些痛点还没有完全解决,后续研究重点会偏向鲁棒性、轻量化、少标注学习和多传感器融合。
【相关 FAQ】
问题 1:激光雷达 3D 目标检测综述里,PointPillars 属于哪一类激光雷达 3D 目标检测算法?
回答 1:PointPillars 属于基于柱状体素的激光雷达 3D 目标检测算法,是体素类的轻量化变体,也是激光雷达 3D 目标检测综述里重点介绍、量产落地最多的一类方案。
问题 2:激光雷达 3D 目标检测综述经常提到的 nuScenes 数据集,主要用来测试激光雷达 3D 目标检测的什么能力?
回答 2:nuScenes 数据集覆盖昼夜、雨雪等多种天气,360 度点云,类别丰富,在激光雷达 3D 目标检测综述中,主要用来测试激光雷达 3D 目标检测模型在复杂真实场景、多类别目标、多模态融合下的鲁棒性。
问题 3:激光雷达 3D 目标检测综述里,基于点的激光雷达 3D 目标检测方法为什么不容易上车量产?
回答 3:基于点的激光雷达 3D 目标检测方法直接处理无序原始点云,几何细节保留好,但是并行计算困难、推理速度慢、显存开销大,很难满足自动驾驶车载端实时要求,所以激光雷达 3D 目标检测综述一般会标注它更偏向学术研究。
问题 4:激光雷达 3D 目标检测综述说的 BEV 鸟瞰图方案,对激光雷达 3D 目标检测有什么好处?
回答 4:BEV 鸟瞰图方案把点云投影到俯视平面,空间位置关系直观,在激光雷达 3D 目标检测综述里认为它天然方便和相机图像特征做融合,是现在激光雷达 3D 目标检测和多模态感知的热门方向。
【参考资料】
[2026-09-14](激光雷达三维目标检测算法研究进展)光子学报
[2026-07-02](自动驾驶激光雷达 3D 目标检测鲁棒性分析)arXiv
[2026-01-01](激光雷达 3D 目标检测算法)应用技术学报
[2025-02-07](基于激光雷达的深度学习 3D 目标检测综述)IEEE ICCECE
[2024-07-11](基于深度学习的 3D 目标检测技术综述)图像与信号处理
【免责声明】
本文内容仅为激光雷达 3D 目标检测方向科普综述整理,不构成工程落地、商业选型的直接方案。激光雷达 3D 目标检测算法的实际效果受雷达型号、标定、部署芯片、场景约束影响,相关学术结论仅为研究进展总结,不代表工业量产标准;如果用于项目开发,需要结合实测数据、官方论文和工程方案进一步验证。
本文来自作者[零矢映象人]投稿,不代表乌兰科技网立场,如若转载,请注明出处:https://www.wlcbnews.com/rgzn/202611/5163.html
评论列表(4条)
我是乌兰科技网的签约作者“零矢映象人”!
希望本篇文章《A Survey of LiDAR 3D Object Detection |LiDAR 3D 目标检测综述》能对你有所帮助!
本站[乌兰科技网]内容主要涵盖:互联网行业的追踪与探索
本文概览:激光雷达 3D 目标检测是自动驾驶、机器人感知里的核心任务,它依靠激光雷达输出的点云数据,直接算出目标在三维空间里的位置、长宽高、朝向以及类别,相比纯摄像头 2D 检测,它不受光照影响、深度信息更可靠,但是点云天生稀疏、远距离目标点数很少、容易被遮挡,所以整个领域衍生出了很多不同路线的算法,这篇综述就是把传统方法、深度学习各类方案、评测数据集、技术难点和未来方向完整梳理清楚,方便大家快速看懂这个方向的技术路线和取舍。激光雷达打出来的点云不是规整图片,是一堆离散的空间坐标点,没法直接用普通卷积处理,所以所有算法的第一步,都要先做点云表达形式的转换,不同表达形式就对应了不同算法流派,同时不同流派在精度、推理速度、显存占用上各有取舍,在 KITTI、nuScenes、Waymo 这些公开数据集上的表现差异也很明显。