早在2017年11月，苹果公司就发布了一份研究报告称，KITTI车辆检测基准的实验表明，端到端的点云物体检测网络VoxelNet在很大程度上优于基于激光雷达（LIDAR）的最新3D检测方法。

据外媒报道，4月6日，美国专利商标局授予了苹果一项泰坦项目专利，名为“基于体素的特征学习网络（Voxel-based feature learning network）”。该网络与机器学习的系统和算法有关，具体来说是与3D物体检测有关。该专利涵盖了基于系统和算法的解决方案，可以准确地检测点云中的3D物体，而点云中的3D物体检测一直是许多现实应用中的核心问题，例如自动导航、家务机器人、增强现实和虚拟现实。

（图片来源：patentlyapple.com）

苹果此次发明涵盖了实施3D体素特征学习/检测网络的方法、系统和技术。该网络可以配置为从原始点云数据（例如LiDAR点云）自动学习体素特征，还可以捕获由于量化或先前系统中其他处理步骤而丢失的细微3D形状信息。

在一些实例中，集成3D体素特征学习/检测网络可改善物体检测平均精度均值（mAP）。例如，与先前的点云物体检测网络相比，该网络可将平均精度均值（mAP）从88.0％提高至89.2％，和/或将平均取向误差从2.5度减少至0.82度。

此外，3D体素特征学习/检测网络还可以随时间改善预测稳定性。配置为实施3D体素特征学习/检测网络的系统（如苹果所获专利中所述）可作为通用特征学习模块，与众多其他3D机器学习模型无缝集成及共同训练，例如3D物体检测、3D场景理解、3D点云匹配、3D物体/人体姿态估计等。

下图1A展示了体素特征学习/检测网络与物体检测网络间端到端的学习系统结构图；图1B为体素特征学习/检测网络与使用高度量化生成多通道图像的其他系统之间的对比。

苹果专利图1A、1B、10、11（图片来源：patentlyapple.com）

上图10为车辆检测训练数据的示例，该数据可能被用于训练体素特征学习/检测网络。图11展示了可被物体检测系统识别到的物体示例。根据实例，这些系统会涵盖体素特征学习/检测网络。