全方位感知：利用等变特征学习在非结构化交通中实现360度LiDAR感知的设计与分析
本文针对非结构化城市交通中密集、遮挡和运动不规则等挑战，提出了一种基于360度LiDAR的全方位感知框架，结合扇形区域全景处理与旋转等变稀疏卷积，在印度城市交通数据集上验证了其有效性。结果表明，该框架对汽车、公交车和卡车等大型物体检测性能优异，但对行人、自行车和摩托车等小型可变交通参与者检测仍有提升空间。
在自动驾驶领域，非结构化城市交通中的感知问题始终是一个重大挑战。由于交通参与者种类繁多、遮挡频繁、运动模式不规则以及缺乏标准化的道路布局，现有的基于LiDAR的3D目标检测器虽然在结构化场景中表现出色，但多数仅针对有限视场角进行开发和评估，其在360度全环绕感知下的行为尚未得到充分研究。针对这一空白，一篇发表于arXiv上的新论文（arXiv:2606.07626）提出了名为“Eyes All Around”的360度LiDAR感知流水线。该研究重点关注全景感知、方位角扇形空间处理以及变换等变特征提取，设计了一个实用框架，将扇形全景处理与旋转等变稀疏卷积相结合，以实现在复杂城市环境中的鲁棒目标检测。为了验证该框架的效果，研究团队使用Ouster OS0 LiDAR传感器，在印度多样化城市交通条件下收集了自定义数据集。该数据集涵盖了多种典型非结构化场景，包括拥挤的街道、不规则的交叉口和频繁的行人活动。实验结果显示，该框架在多个目标类别上表现出稳定的检测性能。其中，汽车的检测准确率最高，达到92.02/90.51；公交车为80.53/76.34；卡车为78.59/74.16。相比之下，行人（67.45/61.02）、自行车骑行者（73.21/69.54）和摩托车骑行者（71.20/68.13）的检测得分较低，这反映了在密集城市场景中检测较小且形态多变交通参与者的固有困难。该研究的核心贡献在于，它首次系统地研究了360度全景LiDAR感知在非结构化交通中的应用，并提出了结合旋转等变性的高效处理方案。扇形全景处理将360度点云划分为多个方位角扇区，每个扇区独立进行特征提取，从而降低了计算复杂度并增强了局部感知能力。旋转等变稀疏卷积则确保了网络对物体旋转的鲁棒性，这对于方向多变的非结构化交通尤为重要。该研究的发现对自动驾驶技术的发展具有重要意义。首先，它揭示了现有方法在处理不同尺寸目标时的性能差异，为后续算法优化提供了明确方向。其次，通过公开数据集和代码，该研究有望推动360度感知领域的开源复现和进一步研究。未来工作可能集中在提升对小目标和易变形态交通参与者的检测精度上，例如引入多模态融合或时序信息，以推动自动驾驶技术在复杂城市环境中的安全部署。