用途：基于点云做 3D 目标检测。PointPillars 将 LiDAR 点云经 pillar 表示编码成伪图像，再套用 2D 检测，常用于自动驾驶与机器人场景。该技能覆盖训练、评估、推理、导出、剪枝、重训，以及 TAO Deploy 的 TensorRT 引擎生成、评估与推理。
主要能力与约定：模型层启用 AutoML。处理训练请求前先读 references/skill_info.yaml，按显式 automl_policy 或用户诉求决定运行策略；“关闭 AutoML”等表述视为本次 automl_policy: off，否则默认 auto。当 auto 且 automl_enabled 为 true、且 schemas/train.schema.json 与 references/spec_template_train.yaml 均已打包时，训练默认走 tao-skill-bank:tao-run-automl；仅当 off 或模板缺失时直接训练（缺失时须说明 AutoML 已启用但当前不可运行）。评估、推理、导出、部署等非训练动作仍由本技能处理。部署类 TensorRT 动作前先读 references/tao-deploy-pointpillars.md。
使用方式：数据集类型 pointpillars，格式 default，监控指标 loss。每个动作都必须从数据源覆盖表构造并传入 dataset.data_path 与 dataset.data_info_path；data_info_path 取自 dataset_convert 作业的 /results/{dataset_convert_job_id}/data_info/。训练常用覆盖含 train.num_epochs（默认 80，收敛需较多轮次）、train.lr（默认 0.003，adam_onecycle）、dataset.class_names（默认 7 类 KITTI 风格）、dataset.point_cloud_range 与 model.dense_head.anchor_generator_config。需先执行 dataset_convert，否则训练因 data_info_path 未填充而失败。多 GPU/多节点用 torchrun 启动，基于 PyTorch 原生 DistributedDataParallel；相关键为 train.num_gpus、train.gpu_ids、train.num_nodes。
限制：point_cloud_range 必须与实际传感器范围一致，否则检测效果差或为空；检查点轮次可能比 status.json 少 1。硬件最低 1 GPU，推荐 4 GPU，单卡 16GB+ 显存（V100 或 A100）。具体价格、收费与其他未列明用法暂未提供。