[Paper] SC-MII：基于基础设施 LiDAR 的 3D 目标检测在边缘设备上的分割计算与多中间输出集成

Source: arXiv - 2601.07119v1

概述

本文介绍了 SC‑MII，一种分布式计算框架，使得边缘安装的 LiDAR 传感器能够在本地执行 3D 目标检测的前期阶段，并将其余部分卸载到附近的边缘服务器。通过将多个基础设施 LiDAR 的中间特征图拼接在一起，系统在保持检测精度几乎不变的同时，降低了设备的推理延迟和功耗——这对智慧城市和自动驾驶部署具有吸引力。

关键贡献

• Split‑computing pipeline for LiDAR 3D detection – 早期 DNN 层在低功耗边缘单元上运行，后期层在更强大的边缘服务器上运行。
• Multiple‑intermediate‑output integration (MII) – 来自多个空间分布式 LiDAR 的特征图在最终检测头之前进行融合，缓解单传感器设置固有的盲区问题。
• Edge‑friendly model design – 作者定制了轻量级骨干网络，在保持大部分表征能力的同时，符合嵌入式 GPU/NPU 的内存和计算预算。
• Empirical validation on a real‑world dataset – 展示了 2.19 倍的整体加速、71.6 % 的设备端处理时间减少，并且平均精度 (mAP) 下降 ≤1.09 %。
• Privacy‑preserving data handling – 仅传输中间特征张量（而非原始点云），降低了原始传感器数据的暴露风险。

方法论

1. 数据获取 – 多个固定 LiDAR 单元从不同视角捕获相同交通场景的点云。
2. 边缘预处理 – 每个单元对其点云进行体素化，并通过前 N 层 3‑D CNN（例如稀疏卷积骨干网）处理。输出为紧凑的特征张量（≈ 几 MB）。
3. 传输 – 将特征张量通过低延迟本地网络（如以太网或 5G‑RAN）发送到中心边缘服务器。由于张量已被抽象，带宽需求较低。
4. 特征融合 – 服务器使用已知的传感器外参对张量进行空间对齐，并通过轻量级融合模块（例如基于注意力的池化）进行拼接或聚合。
5. 最终推理 – 融合后的表示通过剩余的 DNN 层和检测头，生成带有类别分数的 3‑D 边界框。
6. 反馈回路（可选） – 检测到的目标可以广播回边缘设备，用于下游任务（例如本地执行或警报）。

该方法基于 split computing（亦称 neural split inference）的概念，但将其扩展至处理来自地理分布式传感器的 多个中间输出，这是以往工作中很少涉及的场景。

结果与发现

关键要点

• 将网络中较重的部分卸载到服务器可实现 小于 100 ms 的推理流水线，适用于自动驾驶或交通监控等实时感知场景。
• 多视角 LiDAR 融合 相比单传感器分割设置显著提升了遮挡目标的检测（作者报告对部分遮挡车辆的召回率提升了 3–4 %）。
• 隐私得到增强，因为原始点云永不离开边缘设备，仅传输抽象化特征。

实际意义

• Smart‑city infrastructure – 市政部门可以在现有 LiDAR 柱上改装适度的计算模块，利用中心边缘服务器实现高精度 3‑D 感知，而无需将每个传感器升级为完整的 GPU。
• Cost‑effective autonomous fleets – 车辆制造商可以将感知堆栈的一部分卸载到路边边缘服务器，从而降低车载硬件预算并延长电动车队的电池续航。
• Scalable deployment – 由于带宽占用极小，系统可以在每个交叉口扩展到数十个传感器，而不会使本地网络饱和。
• Regulatory compliance – 仅传输特征图可简化数据隐私法规（如 GDPR），因为可能被逆向工程成可识别场景的原始 LiDAR 数据仍保留在现场。
• Developer workflow – 该分离架构可以使用流行框架（PyTorch Lightning、TensorFlow Serving）实现，并通过 ONNX 导出，使其能够轻松集成到现有的边缘 AI 流水线中。

限制与未来工作

• 网络可靠性 – 该方法假设存在稳定、低延迟的链路；数据包丢失或抖动可能会降低检测延迟。未来的工作可以探索稳健的缓冲或边缘侧回退模型。
• 同步开销 – 对来自多个传感器的特征图进行对齐需要精确的时间戳；时钟漂移可能会影响融合质量。
• 模型泛化能力 – 实验仅在单一真实世界数据集上进行；需要在不同天气、交通密度以及不同 LiDAR 硬件上进行更广泛的验证。
• 中间特征的安全性 – 虽然比原始数据更私密，但特征张量仍可能泄露场景信息；对传输进行加密或采用同态模糊化是一个待研究的方向。

总体而言，SC‑MII 展示了一条实现高性能、低功耗 3‑D 感知的务实路径，为下一代智能交通系统中更分布式、协作式感知架构的实现打开了大门。

作者

• Taisuke Noguchi
• Takayuki Nishio
• Takuya Azumi

论文信息

• arXiv ID: 2601.07119v1
• 分类: cs.DC, cs.CV
• 发表时间: 2026年1月12日
• PDF: 下载 PDF