在自動駕駛技術飛速發展的今天，環境感知的精準度直接關系到行車安全。激光雷達（LiDAR）生成的點云數據雖能提供高精度的三維空間信息，但如何快速、準確地從中識別車輛、行人等目標仍是巨大挑戰�，F有方法如PV-RCNN++雖取得進展，卻受限于感受野狹窄、體素特征提取效率低、點云非線性特征建模不足等問題，導致復雜場景下檢測精度難以突破。

針對這一技術困局，吉林教育省屬研究團隊在《Expert Systems with Applications》發表重磅研究，提出名為HP-PV-RCNN的創新算法。該研究通過四大核心技術突破：1）采用線性角注意力（Linear Angular Attention）擴大非空體素感受野；2）基于狀態空間模型（State Space Model, SSM）的Mamba²加速全局體素特征提��；3）利用科爾莫戈羅夫-阿諾德網絡（Kolmogorov-Arnold Network, KAN）實現關鍵點特征的分段最遠點采樣（S-FPS）；4）創新模糊非極大值抑制（Fuzzy-NMS）動態調整后處理閾值。這些技術形成高性能點-體素區域卷積神經網絡（HP-PV-RCNN），在Kitti、NuScenes等公開數據集驗證中表現卓越。

關鍵技術方法包括：基于動態體素化（DV）的預處理、Mamba²架構的3D特征提取主干網絡、KAN多層網絡擬合點集特征，以及融合先驗知識的Fuzzy-NMS后處理。實驗采用Kitti中等難度數據集評估，樣本涵蓋車輛、自行車和行人三類目標。

HP-PV-RCNN框架
研究構建三階段處理流程：預處理階段通過動態體素化轉換原始點云；特征提取階段同步運行3D主干網絡（捕獲空間關系）、鳥瞰圖（BEV）主干網絡和關鍵點網絡；檢測階段采用兩階段檢測頭。該設計首次實現點-體素特征的深度非線性融合。

實驗結果
在Kitti數據集上，HP-PV-RCNN車輛檢測平均精度達83.73%，較現有方法提升顯著。Waymo和NuScenes數據集測試同樣驗證其泛化能力，特別是在密集場景中，Fuzzy-NMS有效減少冗余框干擾。

結論與意義
該研究突破傳統稀疏卷積（Sparse Convolution）的計算局限，通過線性角注意力與Mamba²的結合，實現長序列全局特征的快速捕獲；KAN網絡對點云非線性關系的建模能力超越傳統全連接層；Fuzzy-NMS首次將目標空間分布先驗引入NMS過程。這些創新使HP-PV-RCNN成為自動駕駛3D檢測領域的新標桿，代碼已開源（GitHub: jlauwcj/HP-PV-RCNN），為行業安全升級提供重要技術工具。研究獲吉林省教育廳（項目號JJKH20240441HT）等多項基金支持，團隊聲明無利益沖突。