自动驾驶

Towards Real-Time and Adaptable LiDAR Scene Completion

面向实时且自适应的激光雷达场景补全

Azhar Hussian, Martin Vossiek, Vasileios Belagiannis

机构 * Friedrich-Alexander-Universität Erlangen-Nürnberg（弗里德里希-亚历山大-埃尔兰根-纽伦堡大学） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；BEV(abstract,abstract_cn)；autonomous driving(abstract)；分类 cs.CV

AI总结 提出RapidLiDAR方法，以自适应初始化模块和多尺度重建模块实现激光雷达场景补全，速度达0.1秒/帧，比现有最快方法快2.3倍，性能与SOTA相当。

Comments Accepted at ECCVW 2026, 14 pages, 4 figures. Code is available at this https URL (https://github.com/AzharSindhi/RapidLiDAR)

Cyclops: LiDAR as a Camera That Dreams in Color

Cyclops：以彩色进行“梦境”的相机式激光雷达

Wei Gao, Jian Shu, Mingle Zhao, Maani Ghaffari, David Kong, Chengzhong Xu, Hui Kong

机构 * The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Michigan（密歇根大学） ； University of Macau（澳门大学） 纠错

专题命中 激光雷达 ：LiDAR(title,summary_cn)；分类 cs.RO

AI总结 本文提出Cyclops框架，将稀疏NRS-LiDAR强度转为RGB视频，通过LBM等技术缓解帧间闪烁，合成RGB可使感知模型在多任务上优于LiDAR基线与传统相机。

HP2-SLAM: Adaptive Hybrid ICP for Robust and Efficient LiDAR SLAM

HP2-SLAM：用于鲁棒高效激光雷达SLAM的自适应混合ICP

Nam Tran, Thu Tran, Hieu Phan, Thai Luu, Toan Nguyen, William J. Beksi, Tuan Dang

机构 * University of Arkansas（阿肯色大学） ； VinRobotics（维恩机器人公司） ； University of Texas at Dallas（德克萨斯大学达拉斯分校） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.RO

AI总结 本文提出HP2-SLAM框架，通过邻域大小自适应混合ICP平衡点到平面与点到点残差，无需学习模块即可提升SLAM在各类环境的鲁棒性与效率，性能优于几何基准且保持实时性。

Beam-Wise Statistical Background Subtraction for Static Roadside LiDAR: A Cross-Sensor Benchmark Study

面向静态路侧激光雷达的波束级统计背景减除：跨传感器基准研究

Alexander Baumann, Marcel Vosshans, Thao Dang

机构 * University of Applied Sciences Esslingen（埃斯林根应用科学大学） ； Faculty of Computer Science and Engineering（计算机科学与工程学院） ； Institute for Intelligent Systems（智能系统研究所） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.RO、cs.CV

AI总结 本文针对静态路侧激光雷达缺失系统性跨传感器评估的问题，构建波束级统计背景减除基准，引入新数据集并结合空间滤波，实现了鲁棒可迁移的背景减除方案，提升了精度并保持高召回率与实时性，相关资源已公开。

Comments Accepted for publication at the 2026 IEEE 29th International Conference on Intelligent Transportation Systems (ITSC), Naples, Italy, September 15-18, 2026

How Sampling Strategy Affects Imbalance Mitigation in LiDAR Segmentation: A Study of Structured vs. Random Point-Based Architectures

采样策略如何影响激光雷达分割中的不平衡缓解：结构化与基于随机点的架构研究

Antonis Savva, Christos Kyrkou, Theocharis Theocharides

机构 * University of Cyprus（塞浦路斯大学） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 该研究在DALES、S3DIS、STPLS3D数据集上，针对KPConv和RandLA-Net架构，测试了6种重加权方案与5种感知不平衡损失，发现采样策略、不平衡程度及数据采集特征的相互作用影响激光雷达分割的不平衡缓解效果。

Comments 9 pages, 6 figures, IEEE International Conference on Image Processing (ICIP) 2026

Degenerate in Whose Frame? An Equivariance Condition for Degeneracy Detection in LiDAR Registration

在谁的坐标系中退化？激光雷达配准的退化检测的等变性条件

Yujie Zhang, Chunlei Zhao, Yuzong Lin, Yuxuan Guo, Xiaohui Jia, Jinyue Liu

机构 * School of Mechanical Engineering, Hebei University of Technology（河北工业大学机械工程学院） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.RO

AI总结 该研究针对激光雷达配准退化检测中坐标系依赖问题，提出等变度量规则，构建等变点位移度量，经实验验证其特征值与阈值的不变性，为退化检测提供坐标系无关的准则。

Comments 8 pages, 4 figures, 5 tables. Submitted to IEEE Robotics and Automation Letters (RA-L)

LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization

LightLoc++：面向高效室外激光雷达定位的传感器鲁棒性表示学习

Wen Li, Shangshu Yu, Dunqiang Liu, Qiming Xia, Sheng Ao, Siqi Shen, Chenglu Wen, Cheng Wang

机构 * Xiamen University（厦门大学） ； University of Bristol（布里斯托大学） ； Northeastern University（东北大学） 纠错

专题命中 激光雷达 ：LiDAR(title,abstract)；分类 cs.CV

AI总结 LightLoc++通过引入SULID数据集与跨传感器一致性学习预训练传感器鲁棒骨干，结合样本分类引导与冗余样本下采样，实现高效室外激光雷达定位，性能最优且新场景训练成本最低。

Comments 19 pages, 10 figures

WiWorld-RealData: A Real-World Multi-Modal Dataset for 6G Wireless World Models

WiWorld-RealData：用于6G无线世界模型的真实世界多模态数据集

Yinyin Jiao, Huixin Xu, Jianhua Zhang, Yuelong Qiu, Jingjing Wang, Shaoyi Liu, Yuxiang Zhang, Li Yu, Xuebin Sun, Guangyi Liu

专题命中 激光雷达 ：LiDAR(summary_cn,abstract_cn)

AI总结 提出WiWorld-RealData数据集，包含3.7 GHz和6.775 GHz的信道冲激响应、多视角图像、全景图像、LiDAR点云、毫米波雷达记录和GNSS轨迹，支持环境辅助的信道预测，路径损耗预测MAE为2.02 dB。

Comments 6 pages, 6 figures, 3 tables

Resource-optimal quantum mode parameter estimation with multimode Gaussian states

基于多模Gaussian态的资源最优量子模参数估计

Maximilian Reichert, Mikel Sanz, Nicolas Fabre

专题命中 激光雷达 ：LiDAR(abstract)

AI总结 本文提出通过多模Gaussian态实现量子模参数估计的资源最优方案，统一了粒子数和模结构视角，推导了量子 Fisher 信息的紧上界并确定了最优Gaussian态。

Comments Comments are welcome!