Dec, 2017

LocNet: 用于移动车辆的 3D 点云全局定位

PDF
TL;DR该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。
global localization3d point cloudspose estimationlidarrange-only observations
发现论文，激发创造
  • PointLoc: LiDAR 点云定位的深度姿态回归器

    本研究提出一种新型的端到端基于学习的 LiDAR 重定位框架，名为 PointLoc，它直接利用单个点云作为输入来推导 6-DoF 位姿，无需预先构建地图。该框架基于 PointNet，使用自我关注机制，能够高效地从 360 度 LiDAR 输入帧估计 6-DoF 位姿，并在实验中表现出较高的重定位精度。

    Mar, 2020

  • 大规模实时视觉惯性定位重访

    本文提出了一种基于图像的定位方法，使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合，实现低延迟本地化查询，证明了该方法在大规模模型上的有效性。

    Jun, 2019

  • 通过共享 2D-3D 嵌入空间在 LiDAR 地图中进行全局视觉定位

    本研究使用深度神经网络方法来创造一个共享的嵌入空间，将图像和 LiDAR-Map 映射到同一空间中，通过大量实验评估发现，该方法适用于全球定位和场所识别。

    Oct, 2019

  • LPD-Net：大规模场景识别和环境分析的 3D 点云学习

    本文提出了一种名为 LPD-Net 的深度神经网络，它可以从原始 3D 点云数据中提取判别性和可推广性的全局描述符，用于解决基于点云的识别任务，并与 PointNetVLAD 和基于视觉的解决方案进行了比较。

    Dec, 2018

  • 紧凑的物体中心 LiDAR 位姿估计对于大尺度户外定位

    使用极其少的存储要求进行 LiDAR 扫描的 3D 姿态估计以实现可扩展的映射和定位，通过将分割扫描的所有点聚类成语义对象并仅用其质心和语义类别表示，以此方式将每个 LiDAR 扫描简化为一个紧凑的四元向量集合，并通过基于自相关和互相关的对象匹配网络捕捉实体之间的几何和语义关系，通过加权奇异值分解（SVD）和随机采样一致性（RANSAC）恢复扫描之间的相对变换，通过在 KITTI 数据集上不同视点拍摄的点云和不同时间段的 KITTI 和 KITTI-360 之间进行本地化来演示这种表示对度量本地化是足够准确的，具有几乎一半的表示大小，具体为平均 1.33kB。

    Mar, 2024

  • LoGoNet: 基于局部到全局跨模态融合的精确三维物体检测

    本文提出了一种名为 LoGoNet 的基于 LiDAR 和相机融合的新型神经网络，该网络能够同时在局部和全局层面上对 3D 物体进行检测，并在 Waymo 和 KITTI 数据集上获得了最佳检测表现。

    Mar, 2023

  • G2L-Net：面向实时 6D 姿态估计的全局到局部网络与嵌入向量特征

    本文提出了一种新颖的 6D 物体姿态估计框架，称为 G2L-Net，它可以通过 RGB-D 检测处理点云数据来进行实时姿态估计，并在两个基准数据集上取得了最先进的性能。

    Mar, 2020

  • 基于学习嵌入的卫星图像定位

    本文提出了一种基于视觉的方法，利用公开的卫星图像作为对环境的唯一先验知识，对地面车辆进行定位，并通过神经多视点模型消除图像之间的视角和外观差异。实验证明，该方法能够在训练集之外的环境中定位地面图像。

    Apr, 2017

  • LC$^2$: 基于 LiDAR 和相机循环约束的跨模态地点识别

    本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

    Apr, 2023

  • 基于语义图的三维点云地点识别

    本文提出了一种基于语义图的三维点云场景识别方法，该方法具有鲁棒性，能够应对遮挡和视角变化等环境变化，评估结果表明该方法优于现有技术。

    Aug, 2020