LiDAR（激光雷达）是一种通过发射激光并测量回波来获取环境三维点云的传感器技术，广泛应用于自动驾驶、机器人导航和大规模建图等领域。凭借高精度的距离测量能力，LiDAR 一直是自动驾驶感知栈中的核心部件，而围绕其点云数据处理方法的学术研究目前仍相当活跃。
LiDAR 点云研究的近期进展
近期围绕 LiDAR 点云的几项工作集中在语义分割与建图质量的提升上。一项研究提出了 RaSFNet（RaSFNet 提出：面向 LiDAR 点云语义分割的射线对齐融合网络），通过射线对齐的方式融合多源特征，改进点云语义分割效果。另一项工作则从能量泛函的角度优化神经隐式表示，用于改进大规模 LiDAR 建图（用能量泛函优化神经隐式表示，改进大规模 LiDAR 建图），反映出隐式表示与传统激光建图的结合正在成为趋势。
数据层面也开始出现以图像生成点云的思路。LiFi 框架尝试仅基于多视角图像来生成 LiDAR 风格的点云（LiFi：基于多视角图像的 LiDAR 点云生成框架），如果成熟，可能降低对昂贵激光传感器的数据采集依赖。
大模型与 LiDAR 结合的争议
一个值得关注的争议点是：将 4D LiDAR 数据接入语言模型是否真正有效。新提出的 LiDAR-Hallu 基准指出，4D LiDAR 语言模型在时空关系理解上可能存在“幻觉”，未必真正理解场景的动态结构（LiDAR-Hallu基准：4D LiDAR语言模型未必真懂时空关系）。这一基准为评估多模态大模型的空间认知能力提供了更严格的标尺。
与此同时，也有工作探索在仿真环境中利用 LiDAR 等传感器信号实现仿真到现实的强化学习迁移，如 MILER 框架面向无结构化自动驾驶场景（MILER框架实现无结构化自动驾驶的仿真到现实强化学习）。
当前焦点与观察点
总体来看，LiDAR 相关研究的焦点正从单纯的传感器硬件，转向数据生成、隐式建图与多模态大模型三个方向。值得持续观察的问题包括：图像生成点云能否替代部分真实 LiDAR 采集成本；4D 语言模型对时空关系的理解缺陷能否通过更好的基准与训练方式弥补；以及在摄像头实时 3D 重建快速进步（如国内开源模型实现单卡 20fps 实时重建）的背景下，LiDAR 在感知方案中的相对权重是否会被重新评估。