全方位感知：利用等變特徵學習在非結構化交通中實現360度LiDAR感知的設計與分析

在自動駕駛領域，非結構化城市交通中的感知問題始終是一個重大挑戰。由於交通參與者種類繁多、遮擋頻繁、運動模式不規則以及缺乏標準化的道路佈局，現有的基於LiDAR的3D目標檢測器雖然在結構化場景中表現出色，但多數僅針對有限視場角進行開發和評估，其在360度全環繞感知下的行為尚未得到充分研究。針對這一空白，一篇發表於arXiv上的新論文（arXiv:2606.07626）提出了名為“Eyes All Around”的360度LiDAR感知流水線。該研究重點關注全景感知、方位角扇形空間處理以及變換等變特徵提取，設計了一個實用框架，將扇形全景處理與旋轉等變稀疏卷積相結合，以實現在複雜城市環境中的魯棒目標檢測。為了驗證該框架的效果，研究團隊使用Ouster OS0 LiDAR感測器，在印度多樣化城市交通條件下收集了自定義資料集。該資料集涵蓋了多種典型非結構化場景，包括擁擠的街道、不規則的交叉口和頻繁的行人活動。實驗結果顯示，該框架在多個目標類別上表現出穩定的檢測效能。其中，汽車的檢測準確率最高，達到92.02/90.51；公交車為80.53/76.34；卡車為78.59/74.16。相比之下，行人（67.45/61.02）、腳踏車騎行者（73.21/69.54）和摩托車騎行者（71.20/68.13）的檢測得分較低，這反映了在密集城市場景中檢測較小且形態多變交通參與者的固有困難。該研究的核心貢獻在於，它首次系統地研究了360度全景LiDAR感知在非結構化交通中的應用，並提出了結合旋轉等變性的高效處理方案。扇形全景處理將360度點雲劃分為多個方位角扇區，每個扇區獨立進行特徵提取，從而降低了計算複雜度並增強了區域性感知能力。旋轉等變稀疏卷積則確保了網路對物體旋轉的魯棒性，這對於方向多變的非結構化交通尤為重要。該研究的發現對自動駕駛技術的發展具有重要意義。首先，它揭示了現有方法在處理不同尺寸目標時的效能差異，為後續演算法最佳化提供了明確方向。其次，透過公開資料集和程式碼，該研究有望推動360度感知領域的開源復現和進一步研究。未來工作可能集中在提升對小目標和易變形態交通參與者的檢測精度上，例如引入多模態融合或時序資訊，以推動自動駕駛技術在複雜城市環境中的安全部署。