May, 2018

BirdNet: 基于 LiDAR 信息的 3D 物体检测框架

PDF
TL;DR本文提出了一种基于 LiDAR 的三维物体检测算法，包含三个阶段：将激光信息投影到鸟瞰图上、通过卷积神经网络估计物体在平面上的位置和朝向、以及在后处理阶段计算 3D 物体检测。实验结果表明该算法在 KITTI 数据集上达到了与同类方法相当的最优结果，并能在不同实际场景下应用于多个 LiDAR 传感器。
driving situationsautonomous vehicleslidarobject detectionconvolutional neural network
发现论文，激发创造
  • BirdNet+: LiDAR 鸟瞰图中端对端 3D 物体检测

    本文提出了一种全端到端的三维物体检测框架，可以仅使用 Bird's Eye View 图像自动推断取向的三维包围盒，并且该方法在 KITTI 三维物体检测基准中超出了现有方法的性能并获得了最佳结果。

    Mar, 2020

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 基于全景分割引导的 LiDAR 多视角三维物体检测通用框架

    本研究提出了一种利用分割信息指导检测过程的多任务框架，该框架联合执行三维物体检测和全景分割，可利用多视角信息解决每个投影视图的缺陷，并通过前景语义信息和中心密度热力图来提示物体的可能框中心位置。在 nuScenes 数据集上进行的大量实验表明，该方法提供了显著的性能提升，基于单级 CenterPoint 3D 物体检测网络的所提出方法在 nuScenes 3D 检测基准上取得了 67.3 NDS 的最新性能。

    Mar, 2022

  • LaserNet: 高效的概率三维物体检测器，用于自动驾驶

    本文提出了 LaserNet，一种 3D 物体检测的计算有效方法，它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率，并使用全卷积网络来预测每个点的 3D 框的多模式分布，然后高效地融合这些分布以生成每个对象的预测，实验证明这种方法比其他方法具有显著更低的运行时间，并且在大型数据集上具有比其他检测器更好的性能。

    Mar, 2019

  • LiDAR-BEVMTN：用于自动驾驶的实时激光雷达鸟瞰式多任务感知网络

    LiDAR 在自动驾驶中具有重要作用，本文提出了一种基于 LiDAR 的实时多任务卷积神经网络，用于对象检测、语义分割和运动分割，并在汽车级嵌入式平台上实现了 3ms 延迟，取得了语义分割和运动分割的最新成果以及 3D 物体检测的接近最新成果。

    Jul, 2023

  • 高级相机 - LiDAR 融合与机器学习的 3D 物体检测

    本研究提出了一种使用单目摄像头和 LiDAR 数据结合的机器学习技术，通过以国际排名领先的二维物体探测器生成的锥体区域来分割 LiDAR 点云，从而检测运动平台周围的车辆的 3D 边界框参数， 最终验证集准确率达到 87.1％。

    May, 2021

  • MotionNet: 基于鸟瞰图的自动驾驶联合感知与运动预测

    本文提出了一种高效的深度学习模型 MotionNet，通过 LiDAR 扫描的数据实现自动驾驶中的感知和运动预测，该模型基于一种新颖的时空金字塔网络，可以提取深层次的时空特征，并且通过空间和时间一致性约束进一步规范了模型的训练。实验证明，该方法的性能明显优于现有的基于场景流和 3D 目标检测的方法，有望在自动驾驶中提供备用方案和对运动规划员提供补充信息。

    Mar, 2020

  • BoxNet：基于深度学习的从鸟瞰视角点云估计二维边界框方法

    提出了一种基于深度学习的方法来从 2D 鸟瞰图 (LiDAR 点云) 中估计物体的边界框，该方法称为 BoxNet，可以高效地处理无序点云并且有效地解决了角度不连续的问题。该方法不像现有方法那样依赖于点的顺序，并且通过对训练数据中获得的先验信息进行精确预测，能够准确预测边界框的实际尺寸。经过 KITTI 3D 对象数据集的验证，相比于现有非深度学习方法，BoxNet 有了显著的改进。

    Aug, 2019

  • 自动驾驶中鸟瞰空间高效三维物体检测的卷积网络方法

    3D 物体检测在俯视（Bird's-Eye-View）空间中最近成为自动驾驶领域的一种普遍方法。本研究提出了一种高效的基于 BEV 的 3D 检测框架 BEVENet，通过采用仅卷积的架构设计，克服了 ViT 模型的局限性，同时保持了 BEV 方法的有效性。实验证明，BEVENet 在 NuScenes 挑战赛中比当代最先进方法快 3 倍，同时在 NuScenes 验证数据集上获得 0.456 的平均精确度（mAP）和 0.555 的 nuScenes 检测分数（NDS），推断速度为 47.6 帧每秒。据我们所知，这是首次实现如此显著的 BEV 方法效率改进的研究，突显了它们在实际自动驾驶应用中的可行性提升。

    Dec, 2023

  • SpotNet: 图像为中心、激光雷达为锚点的长距离感知方法

    通过 SpotNet 方法，结合 LiDAR 传感器融合 2D 和 3D 检测任务，实现稀疏 LiDAR 支持下准确的远距离 3D 目标检测，并且能够在不重新训练的情况下将检测结果从 2MP 分辨率图像转移到 8MP 分辨率图像上。

    May, 2024