LRDNet：用于道路可通行空间检测的轻量级 LiDAR 辅助级联特征池

基于摘要分析。该研究面向自动驾驶中的道路可通行空间检测，提出轻量级模型 LRDNet，尝试学习 LiDAR 特征的多种变换与融合操作，以补充视觉特征，同时降低计算成本。其主要研究对象是道路场景感知，并非 EEG 或 BCI。 机制与贡献：作者认为，LiDAR 与视觉特征处于不同特征空间，既有融合方法缺乏明确的互补融合指导，且部分方法计算成本较高。LRDNet 的核心思路是学习如何变换和融合 LiDAR 特征，而非仅将其直接加入视觉表示。标题提及级联特征池，但摘要未说明特征池结构、融合位置、训练目标或推理流程，不能据此推断其具体实现，也不能由来源分类将其认定为 State space models 方法。 结果与评估：作者报告在多个基准数据集开展实验，其中在 KITTI road benchmark 上取得总体第三、LiDAR 方法中第二的排名，并称与更高排名方法的差距较小。作者还报告模型在所比较的先进方法中计算成本最低，可在速度与准确性之间取得较好折中。摘要未给出具体检测指标、分数、排名时间点、计算量、运行硬件或速度测量条件；因此，这些结论仅能作为作者报告，尚不能独立核验或用于不同协议间的直接比较。 复现与边界：需要全文确认输入及其对齐方式、特征变换与融合模块、数据划分、对照基线、效率测量条件和实现可获得性；实验协议、消融及统计信息尚未验证。现有材料未提供该道路感知方法与神经信号建模之间的具体机制对应关系，不据此推导 EEG/BCI 效果或提出迁移复现实验。