3D object detection with LiDAR point clouds plays an important role in autonomous driving perception module that requires high speed, stability and accuracy. However, the existing point-based methods are challenging to reach the speed requirements because of too many raw points, and the voxel-based methods are unable to ensure stable speed because of the 3D sparse convolution. In contrast, the 2D grid-based methods, such as PointPillar, can easily achieve a stable and efficient speed based on simple 2D convolution, but it is hard to get the competitive accuracy limited by the coarse-grained point clouds representation. So we propose an improved pillar with fine-grained feature based on PointPillar that can significantly improve detection accuracy. It consists of two modules, including height-aware sub-pillar and sparsity-based tiny-pillar, which get fine-grained representation respectively in the vertical and horizontal direction of 3D space. For height-aware sub-pillar, we introduce a height position encoding to keep height information of each sub-pillar during projecting to a 2D pseudo image. For sparsity-based tiny-pillar, we introduce sparsity-based CNN backbone stacked by dense feature and sparse attention module to extract feature with larger receptive field efficiently. Experimental results show that our proposed method significantly outperforms previous state-of-the-art 3D detection methods on the Waymo Open Dataset. The related code will be released to facilitate the academic and industrial study.

翻译：使用 LiDAR 点云进行 3D 对象探测 3D 3D 目标检测 3D 目标与 LiDAR 点云在自主驱动感知模块中起着重要作用,该模块需要高速度、稳定性和准确性。然而,现有的点基方法对于达到速度要求具有挑战性,因为过多的原始点太多,而基于 voxel 的方法无法确保稳定速度。相比之下,基于 2D 的基于 2D 的基于 3D 的基于 3D 的基于 3D 的基于 3D 的 3D 的基于 3D 的基于 3D 的基于 3D 的基于 3D 的基于基于 点的基于 3D 的基于 点点的基于 3 的基于 3D 的基于 的基于 3 D 的基于 的基于 点 点 点 的基于 点 点 的 点代表度 的, 竞争性 准确性 准确性 。 因此, 我们建议基于 点 点 的基于 点 点 精度 精度 精度 精度 的 精度 精度 质 质 质 D 的 质 质 质 和 的 的 度 度 的 度 度 度 质 质 质 质 质 质 质 的 质 质 质 质 质 质 的 质 质 质 质 质 质 质 质 质 质 的 质 质 的 质 质 质 质 度 度 度 的 质 质 度 度 度 度 度 度 。