LiDAR 语义分割评测：榜单头名的模型，装上车却失灵

排行榜第一名的模型，装上车为什么可能失灵？

先别急着给“榜单第一”开香槟。想象你是自动驾驶公司的算法负责人：香槟还没开，测试车的雨刮器已经先响了。你的团队把语义分割模型在 SemanticKITTI 上刷到 66% 的细粒度精度，同期横评里全场第一，产品化的信心很足。把模型装进测试车，开到雨里，激光回波被雨滴散射，路面湿漉漉地反光；开到另一座城市，点云的分布整个变了；换一台 32 线的雷达，模型过去学到的规律全都对不上号。你很快会发现：这些场景，没有一个现成的评测能替你回答。

这不是编出来的故事，正是这篇论文要消化的真问题。它在引言里给出一句相当尖锐的判断：目前不存在任何一个评测协议，能同时评估语义相关性、传感器退化鲁棒性、跨域泛化和计算效率。锚论文

原因是现有的评测体系各自只管一段：

每一根柱子都有人量，但没有一家把四件事放进同一个模型里一起量。2026 年初发表的一篇恶劣天气 LiDAR 分割综述也观察到同样的病灶：论文之间往往因为目标域信息的可用权限、改动流水线的环节、评测协议本身不同而互相不可比，方法的对比是乱的。天气综述 这个缺口不是孤例，是整个方向的通病。把时间线拉长看就更明显：2019 年 SemanticKITTI 立起任务标杆，2023 年 Robo3D 和 COLA 各补一轴，2026 年初的综述还在呼吁统一协议。按锚论文自己的定位，它是第一个把这四件事放进同一个评测里的工作。

这篇论文的回应很直接：把 10 个主流分割模型全部用同一套协议重新训练，然后在三根支柱上统一重测，外加一块嵌入式实时性约束。

为什么排行榜答不了这个问题？因为现有评测的三条默认前提，恰好都是真实部署里没法保证的条件：数据必须干净，标签必须分得够细，场景必须和训练时是同一个地方。论文把这三条前提逐一击穿，对应三根支柱。第一根，把 19 类细标签合并成 7 个安全导向粗类重新打分，度量"语义相关性"；第二根，往干净点云里注入 8 类传感器退化，度量"鲁棒性"；第三根，把模型扔到从没见过的巴黎数据上直接测试，度量"跨域泛化"。最后再加一道现实约束：在车载级的 Jetson 上量端到端速度。它选了 point、projection、sparse-conv、fusion 四个架构族里最主流的 10 个模型，全部用统一协议从零重训，优化器、学习率调度、数据增广全都对齐，投影类只是额外加了一项边界损失。这样表上的差距，基本只能归因于架构本身，而不是调参运气。这个前提后面会反复用到。

先给结论：光看排行榜分数，你几乎判断不了"这个模型装上车能不能用"。

先补点背景：逐点分类在做什么，四条架构路线各是什么路数

LiDAR 语义分割任务一句话就能说清：激光雷达每转一圈扫回几万到十几万个 3D 点，网络要把每个点贴上"路面、车辆、行人、建筑"之类的语义标签。它是自动驾驶场景理解的地基，后面的避障、路径规划全都踩在它上面。这套任务的标准定义来自 SemanticKITTI：在德国 Karlsruhe 采集，单帧评估 19 个类，主指标是 mIoU。mIoU 是逐类的交并比再取平均，交并比指预测与真实标注的重叠部分除以它们的并集，越高越好。SemanticKITTI 为什么是 19 类而不是更多？因为单帧激光没有多普勒测速，车和人的运动、静止状态分不出来，就把这类 pair 合并了。

数据集本身不小：训练集 23201 帧、测试集 20351 帧。但测试集的标注从不公开，只能通过在线 benchmark 提交评测，外面的人拿不到 ground truth。这正是 2026 年这篇评测论文必须亲手把 10 个模型全部重训一遍的原因：历史上各家自报的数字口径不一，直接横向比较没有意义。

传感器是 Velodyne HDL-64E，64 线激光。它按 KITTI Odometry 的采集惯例以 10 Hz 出帧，也就是一帧的预算只有 100 毫秒。频率这条线索值得交代清楚：10 Hz 并不是 SemanticKITTI 论文自己写下的数字，而是 KITTI Odometry 基准的标准采集频率，锚论文沿用它推出每帧 100 毫秒的实时阈值。后面引到这个阈值时，记住它的来源链。这个数字接下来会成为"实时"的物理基准。

同一个任务，主流做法分成四条路线，区别本质上是"怎么组织这一堆 3D 点"：

这和图像分类完全不同：同一个任务，光"输入长什么样"就有四种哲学。四家的物理直觉先各用一句记下。point 类直接在原始 3D 点上干活，每个点都要问一圈邻居，几何最保真但天然昂贵；range-view 把球面上的点按角度摊平成一张 2D 图，卷积可以在上面跑得飞快，可投影这一步把深度、遮挡这类信息压掉了一部分；稀疏卷积先把空间切成固定的小格子，只有非空的格子参与计算，几何与效率两头兼顾；fusion 类干脆两条支路都要，2D 图快、3D 点准，代价是结构复杂。记住这四句，后面每一根柱子的结果都能对上号。

最后交代一个设定。论文的域泛化支柱用的是"无适配"这个最严的档位，对应 domain generalization（域泛化）：训练阶段完全不接触目标域数据，模型必须在从没见过的城市直接上场。它和 domain adaptation（域适应）的区别只在目标域扫描何时可用，后者允许训练时使用目标域的无标签数据。天气综述 无适配为什么难，第五、六章会见真章。

把货车认成小汽车，算不算错？用 7 个粗类重新量安全语义

第一根支柱，从锚论文唯一的一张原图讲起：

图注：锚论文 Fig.1 的两个细粒度误判案例。左：nuScenes 场景里一辆卡车被错认成小汽车；右：SemanticKITTI 场景里一名自行车骑手被错认成摩托车骑手。上下栏分别是真实标注（Ground Truth）与模型预测。来源：Toward Robust LiDAR Semantic Segmentation（arXiv:2609.02830）。

这两个"错误"用细粒度 mIoU 衡量都是实打实的错，每个都扣分。可如果只看"前方是否存在车辆、是否存在活体"这一层障碍语义，它们在评测口径内完全等价。感知系统真正要回答的是"前面有没有障碍物、是不是活人"，不是"这辆车是轿车还是卡车"。把卡车认成小汽车再刹车，与把卡车认对再刹车，在"有没有车"这个问题上没有区别。但要划清边界：这个等价是评测尺子上的约定，用来统一度量语义相关性，它并不构成对真实下游制动策略的证明。真实的车会怎么决策，取决于控制层如何消费这些标签，那不在本支柱的评测范围里。

这就是支柱一的起点，也顺手拆掉一个最容易的误解：粗标注不是"标得糙"，更不是混入噪声的低质量标签。它是一把新尺子，把功能上相近、"是否存在车辆／活体"这一安全语义上等价的细类，合并成 7 个面向安全的粗类：Driveable Ground（可行驶地面）、Other Ground、Structure、Vehicle、Nature、Living Being（活体）、Object。这有点像把逐字听写换成阅读理解：听写时每个字写错都扣分，判阅读只看句子意思对不对。car 和 truck 都落进 Vehicle，bicyclist 和 motorcyclist 都落进 Living Being，粗类内部的混淆不再记错，跨粗类的混淆仍然重罚。这套映射来自 COLA，它把各数据集 13 到 45 类不等的细标签投到同一棵七类树上，成本几乎为零，跨数据集因此可以直接比。COLA

映射的机制，看这张图最直观：

图注：COLA 论文的层级映射图。左侧是 SemanticKITTI 的 19 个细类，经层级树归并进右侧 7 个粗类分组。粗类不是新标出来的标签，是把既有细类合并出来的。来源：COLA 论文（arXiv:2311.03017）Fig.3。

换尺子之后，排行榜的直觉开始出问题。锚论文把 10 个模型全部用统一协议重新训练，再按细粒度和粗类两套口径打分。最刺眼的是 FRNet：细粒度 mIoU 全场最高，66.0%；粗类分数却只有 83.3%，被 Living Being 这个类拖垮。Living Being 覆盖行人、骑车人、摩托车骑手，是锚论文点名的安全关键类，在它上面 FRNet 只有 55.6%，而同一个类 Minkowski 有 83.5%。锚论文 整体精度第一，不等于安全关键类可靠。这是"精度排名与部署直觉分道扬镳"第一次在数字上显形。

WaffleIron 是另一个信号：它在 SemanticKITTI 粗类 mIoU 上以 87.4% 排第一，可在 nuScenes 上粗类头名的 PTv3（87.8%）也一样，两者都付出了速度代价，一个 2.7 FPS，一个 4.1 FPS，全都跑在测试机 RTX 4090 上。这页速度账，下一章细算。不过也别急着给高精度模型判死刑：融合路线的 HARP-NeXt 是另一个参照，在 RTX 4090 上它 nuScenes 粗类拿到 86.7% 的同时跑出 100 FPS，快与准至少在它身上不冲突。真正的问题是大多数模型做不到，而不是这条路线不存在。

雨雪雾、丢线、串扰之下还剩几分？嵌入式上还要付多少时间？

第二根支柱处理恶劣条件。锚论文沿用了 Robo3D 的 8 类 corruption（合成退化扰动）体系，按来源把退化分成三组，每组再分轻、中、重三档：

图注：Robo3D 论文 Fig.1 的 corruption 分类树。三组来源从左向右展开：恶劣天气（雾、雨、雪）、外部扰动（运动模糊、光束缺失）、内部传感器故障（串扰、不完整回波、跨传感器），每类带 light / moderate / heavy 三档严重度标识。来源：Robo3D 论文。

Robo3D 原图把三组叫恶劣天气、外部扰动、内部传感器失效，锚论文的归纳是大气的、几何的、传感器的，一一对应。物理动因各自不同：雾雨雪让激光回波被散射衰减；运动模糊和丢线来自颠簸与遮挡；串扰是路上多台雷达互相干扰，不完整回波是深色物体吸波，跨传感器是从 64 线换到 32 线的失配。每种扰动都带着物理依据的仿真参数：雾的散射系数、雪的降落率、湿地的水深，按轻中重三档精确调整，模拟的强度可以控制。把它们合成进干净数据，就得到加了料的 SemanticKITTI-C 和 nuScenes-C 两个评测集。

度量用 mCE（mean Corruption Error）。对每一类 corruption，把模型在轻中重三档上的误差（1 减精度）加起来，除以 MinkowskiNet 基线的同样误差，得到该类的相对误差，8 类取平均就是 mCE。这里有个最容易读错的前提：mCE 是相对基线的比值，超过 100% 表示比 MinkowskiNet 还差，低于 100% 表示更好，越低越好。Robo3D

Robo3D 自己的 benchmark 已经给过警示：干净的 mIoU 排名与 mCE 排名几乎解耦，高精度的模型散布在整个 mCE 横轴上。

图注：Robo3D benchmark 的散点图（部分列）。横轴是 mCE，纵轴是任务精度（分割任务用 mIoU），每个点是一个模型。干净精度高的点分布在 mCE 整个范围内，两者看不出相关性。来源：Robo3D 论文 Fig.2。

锚论文在自己的重训结果里把同样的解耦再演了一遍，还加上了嵌入式实时性这道硬约束。实时阈值不是拍脑袋定的：SemanticKITTI 的雷达 10 Hz，一帧预算 100 毫秒；nuScenes 的雷达 20 Hz，一帧预算 50 毫秒。测速平台是 Jetson AGX Orin 这类车载嵌入式设备。测出的结果相当反直觉：上一章的粗类冠军 WaffleIron，在 Jetson 上只有 0.5 FPS，一帧要两秒，直接出局；融合路线的 HARP-NeXt 在 nuScenes-C 上 14.1 FPS，锚论文说它"显著快于其他高分方法"，但仍然够不到 20 FPS 的门槛。锚论文 在 SemanticKITTI 的 10 FPS 门槛下，只有 SalsaNext（9.2 FPS）和 HARP-NeXt（8.3 FPS）接近实时，其余全部掉队。更讽刺的是，在 SemanticKITTI-C 这张表上，SalsaNext 的 mCE 是全场最差（116.1%），FPS 却是全场最高：快，不一定能干活，慢的也未必准。还有一层容易忽略的设定：Minkowski 是归一化基线，它的 mCE 恒为 100.0%，读到这个数字的意思只是"和基线打平"，超过它就是不如基线。这里必须交代一个知情事实：HARP-NeXt 的五位作者与锚论文完全相同，这些 FPS 是作者在统一重训协议下自己测的，自带自评视角。HARP-NeXt

速度账里还有一个常被忽略的坑：端到端计时必须包含预处理。HARP-NeXt 团队此前就指出，KDTree、点云序列化这类准备操作卡在 CPU 上，难以并行，预处理可能比推理本身更关键。HARP-NeXt 他们的实测里，PTv3 在 Orin 上预处理花 736 毫秒，总时长 872 毫秒，约 84% 的时间耗在"把数据喂给网络之前"。为什么预处理这么贵？经典流程在 CPU 上把球面投影、特征提取全部做完，再把准备好的输入搬上 GPU，而准备过的输入因为带着额外特征，比原始点云更"胖"，搬运也费带宽。有人反过来做：原始数据一上来就搬进 GPU，让预处理在 GPU 上并行完成，带宽省了，时间也省了。只报推理时间的 benchmark，会严重误导嵌入式部署的判断。这个 736 毫秒的口径来自 HARP-NeXt 自己的 1000 帧计时，与锚论文的 Jetson 实测不是同一套数字，两处要分开看。

锚论文还注意到一个数据相关的规律：同样是 corruption，模型在 SemanticKITTI-C 上比在 nuScenes-C 上退化得更厉害。它把这归因于 HDL-64E 的扫描更密，模型在训练时学进了更多细碎的几何结构，一旦这些结构被扰动，退化的幅度反而更大。锚论文 传感器越密、学的越细，反而越经不起扰动，这个反直觉的结论只能靠并排重测才看得见。

SemanticKITTI-C 上的细节同样有戏：KPConv 和 FRNet 并列全场最低的 mCE，都是 99.5%，比作为基线的 Minkowski 还好一点。锚论文把 point 类的这一胜局落在局部邻域聚合对点密度变化不敏感上。反过来，WaffleIron 在"不完整回波"这一个扰动上的 CE 是全场最高（58.6），也就是最差的一档：深色车辆吸走回波这种扰动，恰好打在它最疼的地方。

鲁棒性和速度，几乎是与精度独立的两个维度。分开量，才看得出谁真适合在恶劣环境上车。

换一座城市、换一台雷达，模型还剩几分？

第三根支柱搬出真实世界最狠的一种退化：换一个从没见过的环境。目标域选在巴黎。ParisLuco3D 是专门为跨域评测设计的数据集，沿巴黎卢森堡公园周边 2.1 公里采集了 7501 帧，传感器是 Velodyne HDL-32E。ParisLuco3D

为了让跨数据集可比，ParisLuco3D 定义了 45 个细类，并预先映射到 SemanticKITTI 的 19 类和 nuScenes 的 16 类，评测时类口径完全对齐。它还只开放原始点云，标注藏在线上 benchmark 服务器后面并限制提交次数，防止测试集被反复试探。换句话说，这个数据集的存在意义就是充当一面没有标准答案的墙，专治"在自己的训练分布里自嗨"。

图注：ParisLuco3D 的采集轨迹，红色路线环绕巴黎卢森堡公园约 2.1 公里，叠加在卫星底图上。这个评测目标域的全部范围，就是巴黎市中心这几条街。来源：ParisLuco3D 论文 fig:traj。

巴黎市中心对自动驾驶是出了名的难：每帧平均 56.3 个行人实例，是 nuScenes 的约 10 倍、Waymo 的 4 倍多；欧式窄街、密集行人、路边咖啡座，都是训练数据里稀缺的场景。ParisLuco3D

论文的设计妙在两条源域路径的对照。nuScenes 到巴黎，用的是同一款 HDL-32E 雷达，只换环境和外观，把传感器因素隔离出去；SemanticKITTI 到巴黎，则额外叠加 64 线换 32 线、德国换法国、郊区换市中心三种漂移。哪一类 shift 更致命，被这个设计拆成了可以分别回答的问题：

无适配还意味着：训练时连巴黎的一帧数据都不许碰。

结果比想象更残酷。强漂移路径（SemanticKITTI 到巴黎）上，投影类几乎失明：CENet 只有 2.9%，FRNet 3.4%，约等于在乱猜。全场最好的 Minkowski 也只有 33.3%，没有任何方法越过 35%。锚论文 更反常的是反例：KPConv 和 Cylinder3D 在强漂移路径上的分数反而比弱漂移路径更高，KPConv 22.1% 对 11.4%，Cylinder3D 25.5% 对 17.1%。锚论文的解释是这两家依赖局部几何结构而不是传感器特有的模式，SemanticKITTI 更丰富的几何监督反而教出了可迁移的表征。即便传感器完全同款的弱漂移路径，最好的 Minkowski 也只有 32.5%。逐类的细节也印证了这一点：可行驶路面、人造结构这类大而规则的类，跨域之后依然最高；自行车、交通锥、拖车这类小而稀有的类，几乎所有模型都接近零分。换一座城市，大结构扛得过去，路上的细节全部归零。跨域不是"分数低一点"，而是可以整族崩溃，这是无适配泛化必须单独立一根支柱的理由。

四种架构的"部署画像"：谁真正接近能上车？评测的边界在哪？

三根支柱拼在一起，四条架构路线的画像清晰得让人不舒服。Robo3D 早就用一张按输入表征分组的柱状图点破过规律：投影类在几乎每一种 corruption 上都是吃亏的一方。

图注：Robo3D 在 SemanticKITTI-C 上的表征对比。横轴是 8 类 corruption，每组柱按输入表征分组，投影类（projection）的柱子普遍高于 point、voxel 与融合类。y 轴是 CE，越低越好。来源：Robo3D 论文 Fig.3。

规律背后的原因还需要更多证据，与这一模式相一致的解释是：投影类的 CE 偏高，可能是因为 range-view 把 3D 点压成 2D 网格时丢掉了几何结构，点一旦被扰动、抖动、丢失，2D 图上的表现最先崩；point 类对局部点缺失更稳，可能是因为邻域聚合对遮挡不那么敏感；稀疏卷积与融合整体最均衡。

对照锚论文自己的数字，每条路线的画像可以这样概括。投影类的 FRNet 是干净数据上的细粒度冠军，却在安全关键类（Living Being 55.6%）和跨域（SemanticKITTI 到巴黎 3.4%）上双输。它的 frustum-range 架构其实已经刻意保留了点级特征来补偿投影损失，这让它在 nuScenes-C 的非基线模型里 mCE 最低（103.7%），但依然没能救回这两个安全轴。FRNet point 类的 WaffleIron 是粗类冠军，可 0.5 FPS 在 Jetson 上直接出局；PTv3 精度全面领先，RTX 4090 上也只有 4.1 FPS。PTv3 的快是写在桌面 GPU 上的：它用空间填充曲线把点云序列化，取代昂贵的邻域查询，在 RTX 4090 上确实高效，但序列化在嵌入式上依旧是 CPU-bound 的苦活。PTv3 稀疏卷积与融合相对最均衡：Minkowski 甚至在两条跨域路径上都拿了第一，而且每个轴都不垫底。不过如果非要问谁最接近上车，锚论文的数据给不出四轴全优者，只能说稀疏卷积和融合是赌注最小的一档。

锚论文的结论三条，全部指向同一个方向：干净的榜单精度预测不了部署就绪度；所有方法在 corruption 下端到端显著退化，退化特征取决于架构；没有任何 SOTA 方法能在精度、鲁棒性、泛化、效率四个轴上同时占优。锚论文

这篇论文的诚实之处，是把自己的边界也标得很清楚。第一，鲁棒性支柱用的是合成 corruption，不是真实恶劣天气采集。真实路线长什么样？SemanticSTF 在德国、瑞典、丹麦、芬兰四国城市真实采集了雪、浓雾、轻雾、雨四类天气下的逐点标注点云，2076 帧，标注花了超过 6600 人时。SemanticSTF

图注：SemanticSTF 论文的四天气并排图。第一行是雪、雨、浓雾、轻雾下采集的同一区域点云，第二行是对应的逐点语义标注。雪天有大量无效白点，浓雾整体稀疏，轻雾与正常天气相近。来源：SemanticSTF 论文 adverse-weather 图。

两条路线各有取舍：合成扰动可控、可分级、能对每个模型重复跑，但终究是物理的近似；真实数据贴近部署，却贵到难规模化。两路并行，谁也不替代谁。第二，域泛化只做了单源到单目标，多源、多目标都还没碰。第三，粗类沿用 COLA 的定义，论文没有自创标签体系。此外，那篇天气综述的中央结论只剩一个截断的摘要句子可引：仅靠输入级的曝光和增广"有帮助但常常饱和"，意思是光在输入端做文章不够，表示层和目标层的协同才可能走得更远。天气综述

还有两句知情话要放在最后。这篇论文是 2026 年 9 月的 v1 preprint，尚未经过同行评审；其中 HARP-NeXt 的成绩出自作者自己的统一重训，自带自评视角。数字可以复现，但请带着这两条注意去读。

这套协议真正的价值，是给行业一个可复现的公共参照系。以后研究者报一个新模型，只要把四根轴的数字都亮出来，读者一眼就能看出它是"考试型选手"还是"上路型选手"，而不是被一个精心挑选的 mIoU 迷惑。对团队来说，它把"能不能上车"从一个模糊的经验判断，变成一组可以逐项勾选的硬指标。顺着这个框架往下走，可以继续推进的方向自然浮现：真实恶劣天气数据（而不只是合成扰动）、多源到多目标的域泛化，以及比如把预处理和推理一起优化的端到端设计（顺着框架推断，非论文原文自述）。每一条都是它够不着、但已经量出缺口的地方。

它给这个领域留下的，不是一个新冠军，而是一套能同时量四把尺子的量具：语义相关性、退化鲁棒性、跨域泛化、计算效率。下次再看到"榜单第一"，先问一句：它是在哪根柱子上拿的第一？

想深入可以读原文：Toward Robust LiDAR Semantic Segmentation for Real-World Deployment: Evaluation under Coarse Labels, Adverse Conditions, and Domain Shifts — arXiv:2609.02830

参考文献

1. 锚论文：Toward Robust LiDAR Semantic Segmentation for Real-World Deployment: Evaluation under Coarse Labels, Adverse Conditions, and Domain Shifts — https://arxiv.org/abs/2609.02830
2. SemanticKITTI: A Dataset for Semantic Scene Understanding of LiDAR Sequences — https://arxiv.org/abs/1904.01416
3. COLA: COarse-LAbel multi-source LiDAR semantic segmentation for autonomous driving — https://arxiv.org/abs/2311.03017
4. Robo3D: Towards Robust and Reliable 3D Perception against Corruptions — https://arxiv.org/abs/2303.17597
5. ParisLuco3D: A high-quality target dataset for domain generalization of LiDAR perception — https://arxiv.org/abs/2310.16542
6. Point Transformer V3: Simpler, Faster, Stronger — https://arxiv.org/abs/2312.10035
7. FRNet: Frustum-Range Networks for Scalable LiDAR Segmentation — https://arxiv.org/abs/2312.04484
8. HARP-NeXt: High-Speed and Accurate Range-Point Fusion Network for 3D LiDAR Semantic Segmentation — https://arxiv.org/abs/2510.06876
9. From clear to adverse: a survey of all-weather LiDAR semantic segmentation for autonomous driving — https://doi.org/10.1016/j.ait.2026.100061
10. 3D Semantic Segmentation in the Wild: Learning Generalized Models for Adverse-Condition Point Clouds（SemanticSTF） — https://arxiv.org/abs/2304.00690