pvrcnn是一个两阶段检测算法。stage1采用常规的voxel-based的方法得到proposal。stage 2：refine。经过stage1得到了RoI, 刚刚的关键点特征提取得到了每个关键点的特征。然后可以进行refine了。还有一个Predicted Keypoint Weighting模块。它的作用主要是想降低不是前景点的关键点特征对refine阶段的影响。通过训练两层MPL来使得模型能够区分哪些是前景点，哪些是背景点，并对背景点赋予较小的权重。以gird point为球心，以某一设定值为半径画球，对包括在其中的关键点再次进行set abstraction操作，得到更高级的特征。这样做有一个好处就是，在画球的过程中，有可能将RoI之外的点包括进来，从而提供更丰富的语义信息，帮助模型更好的回归。这样重复6 * 6 * 6次，就能得到6 * 6 * 6个特征向量。

从LIDAR扫描/点云进行多对象检测，跟踪和分类，基于PCL的ROS包到检测/群集->跟踪->从实施的LIDAR扫描中实时对静态和动态对象进行分类i多对象检测，跟踪和分类从LIDAR扫描/点云基于PCL的ROS包到检测/群集->跟踪->通过C ++实现的LIDAR扫描实时对静态和动态对象进行分类。 特点：基于KD树的点云处理，用于从点云中检测对象特征基于无检测的欧几里得聚类（3D）或k-means聚类，基于检测到的特征并使用RANSAC（2D）进行稳定跟踪（对象ID和数据关联）