3D 检测与点云 / 30

CenterPoint

中心点式 3D 目标检测器

CenterPoint把三维对象表示为鸟瞰视图中的中心点，再回归尺寸、高度、方向和速度，避免复杂锚框匹配并简化旋转目标的三维检测流程。代表性参数规模为约 5M–35M（取决于体素/柱状骨干），性能定位是点云检测高效稳定，对旋转目标定位直接。适合仓储车辆检测、机器人点云感知和三维移动目标定位。

PARAMETERS

参考参数与输入输出

代表性参数量约 5M–35M（取决于体素/柱状骨干）

输入LiDAR 点云、坐标系定义与 3D 框标注

输出3D 中心、尺寸、朝向、类别及可选速度

算力与部署CUDA GPU；体素化范围与分辨率决定显存和速度

参数量是公开代表性配置或合理范围，不同骨干、类别数、输入尺寸和实现版本会改变结果；详细实施时以选定配置导出的模型信息为准。

PERFORMANCE

点云检测高效稳定，对旋转目标定位直接。部署复杂度低于 BEVFusion，但弱语义目标和远距离稀疏点云识别能力受限。网站不使用脱离条件的单一 FPS 或 mAP 数字作为承诺，因为数据集、输入尺寸、精度模式、批量大小、GPU 型号和后处理口径都会显著改变测试结果。

CHARACTERISTICS & USE CASES

MODEL COMPARISON

模型	参考参数规模	速度	精度定位	部署	优先场景
BEVFusion	约 50M–150M+（取决于图像/点云骨干）	中低	很高	复杂	移动机器人感知
CenterPoint当前	约 5M–35M（取决于体素/柱状骨干）	高	很高	较成熟	仓储车辆检测
PointNet	约 3.5M（经典分类配置）	高	中	成熟	整体形状分类
PointNet++	约 1.5M–2M（常见分类配置）	中	高	较成熟	复杂零件分类

表中“速度、精度、部署”为同类别内的定性定位，用于缩小候选范围，不替代同一测试集、同一硬件和同一精度模式下的实测。

SELECTION SUMMARY

CenterPoint适合优先考虑仓储车辆检测、机器人点云感知、三维移动目标定位的项目。它的主要价值是Center-based 表示对旋转目标自然；需要重点评估点云范围和体素尺寸对性能影响显著、仅用 LiDAR 时缺少颜色与纹理语义。

建议先用企业真实数据建立基线，再统一测试准确率、召回率、误检率、单张延迟、峰值显存和导出兼容性，最后确定模型规模与部署方式。