该论文旨在解决利用低成本消费级激光雷达(LiDAR)进行非视距(NLOS)感知的难题。研究背景是：消费级激光雷达通常只输出每个像素的单一深度值，但其内部记录的全时间分辨直方图包含直接光和多次反射光信号，这些信号编码了丰富的非视距线索，可用于感知场景中的隐藏物体。然而，消费级激光雷达的严重硬件限制使得传统方法难以进行非视距重建。
论文提出了一个数据驱动的推理方向，并构建了DENALI数据集。具体方法包括：
- 创建首个大规模真实世界数据集，收集来自低成本激光雷达的时空直方图，用于捕捉隐藏物体。
- 在多样化的物体形状、位置、光照条件和空间分辨率下，捕获了72,000个隐藏物体场景的时间分辨激光雷达直方图。
- 利用该数据集，展示了消费级激光雷达能够实现准确的数据驱动的非视距感知。
论文的核心创新点在于：
- **首个大规模真实世界非视距数据集**：提出了DENALI，这是首个专门针对低成本激光雷达捕获隐藏物体的大规模真实世界时空直方图数据集，填补了该领域数据空白。
- **数据驱动的低成本非视距感知新范式**：与传统基于物理模型的重建方法不同，本研究开创性地通过数据驱动推理，绕过了消费级激光雷达硬件限制，实现了可行的非视距感知。
- **系统性性能因素分析**：识别了限制性能的关键场景和建模因素，以及阻碍当前模拟到真实迁移的仿真保真度差距，为未来研究指明了方向。
论文对该领域的总体贡献是：
- 证明了消费级激光雷达通过数据驱动方法能够实现准确的非视距感知，为在移动设备和机器人上实现可扩展的非视距视觉奠定了基础。
- 提供了首个大规模基准数据集，将推动数据驱动非视距感知算法的发展。
- 通过系统性分析揭示了关键挑战和仿真与现实之间的差距，为未来面向消费级激光雷达的可扩展非视距视觉研究提供了明确动机和路线图。