اكتشاف الأشياء في السحب النقطية هو جانب مهم من العديد من تطبيقات الروبوتات مثل القيادة الذاتية. في هذا البحث، نتناول مشكلة ترميز سحابة نقاط إلى صيغة مناسبة لخط أنابيب الكشف اللاحق. تشير الأدبيات الحديثة إلى نوعين من المُرمِّزات؛ المُرمِّزات الثابتة تكون عادةً أسرع ولكنها تضحي بالدقة، بينما المُرمِّزات التي يتم تعلمها من البيانات تكون أكثر دقة ولكن أبطأ. في هذه الدراسة، نقترح PointPillars، مُرمِّزًا جديدًا يستخدم PointNets لتعلم تمثيل للسحب النقطية المنظمة في أعمدة عمودية (الأساطير). بينما يمكن استخدام الخصائص المرمزة مع أي هندسة اكتشاف قياسية ثنائية الأبعاد باستخدام التحويلات الإقحامية (convolutional)، نقترح أيضًا شبكة لاحقة خفيفة الوزن. تظهر التجارب الواسعة أن PointPillars يتفوق على المُرمِّزات السابقة بشكل كبير فيما يتعلق بالسرعة والدقة. رغم استخدامه فقط للليدار، فإن خط الأنابيب الكامل لاكتشاف الأشياء لدينا يتفوق بشكل كبير على أفضل التقنيات الحالية، حتى بين طرق الدمج، فيما يتعلق بمعيار كيتتي ثلاثي الأبعاد ورؤية الطائر (bird's eye view). يتم تحقيق هذه الدقة في الاكتشاف عند تشغيل النظام بمعدل 62 هرتز: وهو تحسين بمقدار ضعفين إلى أربعة أضعاف في وقت التشغيل. إصدار أسرع من طريقتنا يتوافق مع أفضل التقنيات الحالية بمعدل 105 هرتز. تقترح هذه المعايير أن PointPillars هو ترميز مناسب لاكتشاف الأشياء في السحب النقطية.