Dreidimensionale Objekte werden in der Regel als 3D-Boxen in einem Punktwolkenmodell dargestellt. Diese Darstellung ahmt die gut untersuchte bildbasierte 2D-Bounding-Box-Erkennung nach, bringt jedoch zusätzliche Herausforderungen mit sich. Objekte in einer dreidimensionalen Welt folgen keiner bestimmten Ausrichtung, und Box-basierte Detektoren haben Schwierigkeiten, alle Ausrichtungen aufzuzählen oder ein achsenparalleles Begrenzungsrahmen an gedrehte Objekte anzupassen. In dieser Arbeit schlagen wir stattdessen vor, 3D-Objekte als Punkte zu repräsentieren, zu erkennen und zu verfolgen. Unser Framework, CenterPoint, erkennt zunächst die Mittelpunkte der Objekte mithilfe eines Keypoint-Detektors und regressiert zu anderen Attributen, einschließlich der 3D-Größe, der 3D-Ausrichtung und der Geschwindigkeit. In einem zweiten Schritt verfeinert es diese Schätzungen durch zusätzliche Punkteigenschaften des Objekts. Bei CenterPoint vereinfacht sich die 3D-Objektverfolgung auf eine gierige Zuordnung des nächsten Punktes (greedy closest-point matching). Der resultierende Erkennungs- und Verfolgungsalgorithmus ist einfach, effizient und effektiv. CenterPoint erreichte den Stand der Technik im nuScenes-Benchmark sowohl für die 3D-Erkennung als auch für die Verfolgung, mit 65,5 NDS und 63,8 AMOTA für ein einzelnes Modell. Im Waymo Open Dataset übertrifft CenterPoint alle früheren Methoden eines einzelnen Modells um ein großes Maß und rangiert an erster Stelle unter allen nur-Lidar-Einreichungen. Der Quellcode und die vortrainierten Modelle sind unter https://github.com/tianweiy/CenterPoint verfügbar.