Nov, 2017

基于多传感器融合的多样城市场景下强健而精确的车辆定位

PDF
TL;DR该研究提出了一种鲁棒且精确的定位系统，能够通过多传感器融合，特别是利用 LiDAR 强度和高度提示来提高在城市、高速公路和隧道等环境中的准确性和鲁棒性，并在大型自动驾驶车队中得到验证。
localization systemlidargnssurbanautonomous driving
发现论文，激发创造
  • 室内定位系统：传感器读数的智能融合

    通过结合多种最先进的传感器的数据，我们提出了一个多功能的测量系统，对其进行比较和融合，展示了单一数据融合技术在应对情境转换时的可行性和鲁棒性。特别是，在结合射频（RF）定位技术和惯性测量单元（IMU）时，这种方法在解决定位问题上具有极高的鲁棒性和可靠性。

    May, 2021

  • 可靠自动驾驶车辆位置估计的 GPS-IMU 传感器融合

    GPS 和 IMU 传感器融合在 GPS 无信号环境下提升自主车辆导航的可靠性和精度的方法。

    May, 2024

  • 城市自主驾驶的多激光雷达定位和建图流程

    利用 LiDAR 传感器，提出了一种基于传感器融合的离线地图构建和在线定位算法，可以实现高准确性的实时自主导航，并为自动驾驶应用提供了稳健而灵活的环境。

    Nov, 2023

  • 多传感器全局位姿估计的通用基于优化的框架

    本文提出了一种传感器融合框架，通过姿态图优化来将现有的本地估计融合到全球传感器中，实现了本地准确和全球无漂移的姿态估计。

    Jan, 2019

  • 汽车应用的精准视觉定位

    本文提出了一种面向实时性能的可扩展视觉定位方法，该方法使用自我监督方法学习紧凑的路图像表示，结合车辆本体运动得出高精度位置估计，在挑战性的城市环境中有效地减少了定位误差一个数量级。

    May, 2019

  • 通过地面图像和手机 GPS 定位的准确深度直接地理定位

    本文提出了一种利用普通地面图像和低精度手机 GPS 训练地理空间深度神经网络以准确预测车辆地理位置 (纬度和经度) 的方法。我们在一个公开数据集和我们自己采集的在雾都旧金山市中心的图像上验证了该方法，结果表明模型可以在实际业务应用中足够预测质量位置，同时避免了使用地图或 SFM 模型的当今经典视觉定位或姿态估计方法所遇到的问题。

    Apr, 2018

  • 基于几何特征的紧耦合激光雷达 - 视觉 SLAM 移动代理方案

    本研究针对移动机器人在动态和复杂环境下自主导航和任务执行的困难，提出了一种基于 LiDAR 和单目视觉 SLAM 的紧耦合几何特征融合框架方法，是当前多模态方法中姿态估计更为精确和健壮的。

    Jul, 2023

  • 基于智能车辆的自动静态摄像机校准

    我们提出了一个鲁棒的外参标定方法，用于自动地进行地理参考相机标定，不需要人与信息交互，同时也不限制其他道路用户通行，我们通过在合成数据集和实际交叉口以及实现对真实基础设施的标定，演示了方法的可行性和准确性。

    Apr, 2023

  • 建筑三维图纸中精确的机器人定位

    研究了一种基于局部参照的定位系统，利用图像和激光雷达数据达到在不精确建筑模型中精确定位的效果，并通过带有新型图像外点检测算法的融合算法实现对杂波点的去除，该方法在具有挑战性的真实建筑场地中得到验证，优于传统的基于 ICP 的定位算法，定位误差至少减少 30%。

    Jun, 2020

  • 自主移动机器人的 LiDAR 和广角相机数据的强健融合

    该论文介绍了使用 LiDAR 和摄像头进行传感器数据融合以实现自主机器人的自由空间检测，并通过高斯过程回归的分辨率匹配算法来更好地利用多模式传感器数据流以提高感知步骤的性能表现。

    Oct, 2017