盖世汽车讯 自动驾驶车辆和机器人需要理解一个处于不断运动变化中的世界：车辆会变换车道，行人会横穿马路，道路环境也可能瞬息万变。

为了训练和测试感知及运动规划系统，研究人员需要大量高质量的4D激光雷达(LiDAR)数据。然而，采集真实的激光雷达序列既昂贵又耗时，且需要投入大量人力。现有的4D激光雷达数据生成方法往往难以有效呈现大型户外环境，难以在长时间跨度内同时保持场景结构和物体运动的真实性。

图片来源：SUTD

据外媒报道，新加坡科技设计大学(Singapore University of Technology and Design，SUTD)的研究人员开发出能够更高效、更连贯地生成大规模4D LiDAR场景的AI框架HieraScaffold。LiDAR(即Light Detection and Ranging)利用激光脉冲测量距离并构建周围环境的3D图像；而4D LiDAR则在3D信息的基础上引入了时间维度，使系统能够对场景随时间序列的变化进行建模。

由SUTD助理教授Zhao Na领导的研究团队在2026年国际机器学习会议(ICML)上发表了题为《HieraScaffold：学习用于可扩展 4D LiDAR 生成的紧凑分层表示》(HieraScaffold: Learning Compact Hierarchical Representations for Scalable 4D LiDAR Generation)的论文。该研究提出了一种生成大型户外4D LiDAR环境的新方法，能够同时捕捉静态结构(如道路和建筑物)与移动物体(如车辆和行人)。

一种针对动态场景的“脚手架”结构

HieraScaffold并非对整个3D/4D空间进行密集表征，而是围绕由LiDAR采样的、靠近物体表面的区域构建一个紧凑的“脚手架”结构。它将静态背景和动态前景分别表征为不同的脚手架组件，并将其压缩为紧凑的方向性表征；在生成过程中，先构建静态脚手架，随后基于该静态脚手架生成动态脚手架。

这一点至关重要，因为自动驾驶系统不仅需要感知物体的位置，还需要理解物体在不同时刻之间的运动方式。