Lightweight LiDAR-Based Cone Detection Framework Using Random Forest for Formula Student Driverless

📄 arXiv: 2609.11527v1 📥 PDF

作者: Márk Mező-Kerekes, Péter Praksz, Chang Liu

分类: cs.AI

发布日期: 2026-09-10

备注: 9 pages, 2 figures, 3 tables. Accepted at the 5th International Conference on Cognitive Mobility (CogMob 2026)

💡 一句话要点

提出轻量级LiDAR锥体检测框架以解决FSD车辆感知问题

🎯 匹配领域: 支柱六：视频提取与匹配 (Video Extraction)

关键词: LiDAR 锥体检测 随机森林 CPU执行 自主驾驶 感知管道 特征选择

📋 核心要点

  1. 现有的感知管道通常依赖深度学习和多传感器融合，导致对计算资源的高需求，限制了在资源受限环境中的应用。
  2. 本文提出了一种轻量级的LiDAR感知管道，专为CPU执行设计，结合多种技术以实现高效的锥体检测。
  3. 在真实场景下的实验中，该管道在2371个标记聚类上实现了98.33%的F1-score，且端到端运行时间仅为3.13毫秒。

📝 摘要（中文）

可靠且低延迟的感知对于Formula Student Driverless（FSD）车辆至关重要，但许多现有方案依赖深度学习和多传感器融合，通常需要GPU加速。本文提出了一种专为CPU执行设计的轻量级LiDAR感知管道，结合了地面去除、基于IMU的运动补偿、DBSCAN聚类和基于几何特征的随机森林分类。通过特征重要性分析，将模型输入从12个特征减少到7个，同时保持性能。在真实FSD事件中收集的2371个标记聚类上进行评估，该管道在仅使用CPU硬件的情况下实现了98.33%的F1-score和3.13毫秒的端到端运行时间。发布的数据集、标注工具和训练模型为其他资源受限的自主赛车团队提供了实用且可重复的基准。

🔬 方法详解

问题定义：本文旨在解决Formula Student Driverless车辆在感知过程中对计算资源的高需求问题。现有方法多依赖深度学习和多传感器融合，导致延迟和资源消耗过高。

核心思路：提出了一种轻量级的LiDAR-only感知管道，专为CPU执行优化，结合了地面去除、IMU运动补偿、DBSCAN聚类和随机森林分类，以提高检测效率和准确性。

技术框架：整体架构包括四个主要模块：首先进行地面去除以提取有效点云，然后通过IMU进行运动补偿，接着使用DBSCAN进行聚类，最后通过随机森林进行分类。

关键创新：通过特征重要性分析，成功将输入特征从12个减少到7个，显著降低了计算复杂度，同时保持了高性能，体现了与现有方法的本质区别。

关键设计：在模型设计中，采用了随机森林作为分类器，利用几何特征进行分类，确保了在CPU上高效运行，并通过实验验证了模型的有效性和鲁棒性。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果显示，该管道在2371个标记聚类上实现了98.33%的F1-score，且在CPU-only硬件上端到端运行时间仅为3.13毫秒，表现出色，显著优于传统深度学习方法。

🎯 应用场景

该研究的潜在应用领域包括自主驾驶、机器人导航和智能交通系统等。通过提供一个轻量级的感知框架，能够在资源受限的环境中实现高效的物体检测，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Reliable, low-latency perception is crucial for Formula Student Driverless vehicles, yet many existing pipelines rely on deep learning and multi-sensor fusion, often requiring GPU acceleration. This paper presents a lightweight LiDAR-only perception pipeline tailored for CPU execution, combining ground removal, IMU-based motion compensation, DBSCAN clustering, and geometric feature-based Random Forest classification. Feature importance analysis reduced the model input from 12 to 7 features while preserving performance. Evaluated on 2,371 labeled clusters collected from real FSD events, the pipeline achieves an F1-score of 98.33% and an end-to-end runtime of 3.13 ms on CPU-only hardware. The released dataset, labeling tool, and trained models provide a practical and reproducible baseline for other resource-constrained autonomous racing teams.