全波形激光雷达Transformer跑进实时：FWL-ToPM剪掉低强度背景，53.2 FPS下F1反升近9点
核心概要
全波形激光雷达（FWL）为每个像素记录完整回波直方图，数据量远大于点云，此前基于Transformer的FWL模型推理速度只有每秒数帧，达不到实时要求。FWL-ToPM按信号强度剪除低强度背景块、再沿保持空间邻近的曲线合并剩余块，在Ghost-FWL基准上把F1均值从0.503提升到0.592，同时达到53.2 FPS。配套的FWLAug在保留每条射线飞行时间波形与视锥几何的前提下扩充训练样本，在未见场景的分布外测试集上带来4.6点F1提升。
深度剖析
全波形激光雷达的Transformer模型在保持实时吞吐的同时提高识别精度，而不是用精度换速度。 此前的FWL Transformer受限于逐像素完整直方图带来的巨大数据量，推理速度远低于实时要求，其中Ghost-FWL上的FWL-MAE只有每秒6.54帧。 在Ghost-FWL基准上，FWL-ToPM取得F1均值0.592和53.2 FPS，相对此前最优的0.503约提升9点，速度提升超过8倍。
加速来自按物理结构挑选token：先按块内最大信号强度排序，丢弃强度最低的一部分三维块，再对剩下的块做合并。 面向图像和视频的token剪枝方法假设信息在二维空间均匀分布，会连带丢掉FWL中稀疏但关键的高强度回波。 消融显示不剪枝不合并时F1均值为0.555，只剪枝为0.591，只合并为0.565，两者合用为0.592；合并前用Morton序把稀疏块串成一维序列，换成Hilbert曲线时F1均值为0.589。
启示与展望
评估集中在Ghost-FWL数据集上的体素级分类任务，输入取全帧四分之一大小的裁剪，推理时用滑动窗口拼回整帧；泛化测试只用同一FWL传感器平台、同一采集配置与标注流程采集的500帧未见场景。作者把跨传感器、不同分辨率与天气条件的验证列为后续方向。
按强度剪枝可能误删远处物体、低反射率物体或恶劣天气下的弱回波，而被剪区域在推理时一律判为噪声，误删会直接造成漏检；FWLAug是保持波形结构的正则化手段而非光学仿真，不建模随距离的强度衰减，也不重算粘贴玻璃与平移物体之间的光学交互；效率评估只到模型级吞吐，未覆盖从传感器输入到决策的端到端时延与嵌入式平台部署。