May, 2018

基于深度卷积网络的占据栅格地图目标检测和分类

PDF
TL;DR利用卷积神经网络和网格地图环境表示法，基于传感器数据检测并分类物体，实现了对自动驾驶车辆周围环境感知的精确处理。
automated vehiclesenvironment perceptionsegmentation strategiesconvolutional neural networksrange sensor data
发现论文，激发创造
  • 在多层网格地图中捕捉物体检测的不确定性

    该研究提出了一种基于深度卷积对象检测器的自动驾驶应用程序，该检测器还估计了每个检测到的对象的分类、姿态和形状不确定性。

    Jan, 2019

  • 使用金字塔占据网络从图像中预测语义地图表示

    本文提出了一种使用单个端到端深度学习架构直接估算单眼图像中的地图的简单统一方法，并采用语义贝叶斯占据网格框架来积累多个相机和时间步长的信息，与现有最佳方法相比，在 NuScenes 和 Argoverse 数据集上相对提高了 9.1% 和 22.3%。

    Mar, 2020

  • 利用循环神经网络进行动态占用栅格地图构建

    本研究提出了一种使用循环神经网络进行动态占用栅格地图预测的方法，通过模拟车辆周围环境来得出静态和动态区域，并且使用了自我运动补偿的方法，从而实现了更为精确的速度估计和更可靠的环境分离。

    Nov, 2020

  • 面向城市自主驾驶的动态占据栅格预测：一种基于深度学习的全自动标注方法

    本文提出了一种利用贝叶斯滤波技术的环境表示和深度卷积神经网络作为长期预测器相结合的方法，针对复杂的市区情景进行预测，通过像素平衡处理以及自动生成标签等方法实现了无监督学习用于多种道路用户的长期预测。

    May, 2017

  • 使用卷积变分编码器 - 解码器网络进行单目语义占据栅格地图绘制

    该研究使用单目摄像头的弱立体视觉信息，通过变分编码器 - 解码器网络实现了从前视图到鸟瞰图的语义度量占用栅格地图学习，并优于传统方法，在城市街景数据集上 mean IoU 提升 12% 以上，并实现了对未见数据的鲁棒性和实时推理速度。

    Apr, 2018

  • 使用内存高效稀疏卷积的自动驾驶实时三维语义占位预测

    自动驾驶车辆中，实时理解自身车辆周围的三维环境至关重要。本文介绍一种从前视二维相机图像和 LiDAR 扫描中提取特征并使用稀疏卷积网络（Minkowski Engine）进行三维语义占用预测的方法，以解决实时应用中的高计算需求和稀疏场景完整性的问题。

    Mar, 2024

  • 利用循环神经网络在静态环境中对占据栅格地图进行运动估计

    使用递归神经网络模拟车辆环境为动态格网图，从激光雷达测量的占用概率图中估计转向和刹车车辆的速度，提供更加一致和准确的速度估计。

    Sep, 2019

  • 利用语义分割从稀疏雷达聚类的占据网格学习进行道路场景理解

    本文提出了一种数据驱动的方法，利用计算机视觉技术从聚类的雷达数据中学习用于占据栅格映射的逆传感器模型，将问题转化为语义分割任务，并演示了我们的学习占据网模型的表现优于传统方法，具有广泛的应用前景。

    Mar, 2019

  • 场景作为占用

    通过提出一种新的 3D Occupancy 表示法 (OccNet)，并在 nuScenes 数据集上建立了 OpenOcc，我们方法能够有效地为多个驾驶任务提供有力的支持，并取得了显著的性能收益，例如运动规划可以实现 15％-58％的碰撞率降低。

    Jun, 2023

  • 卷积占据网络

    本文提出基于卷积的代表性网络 Convolutional Occupancy Networks 用于 3D 重建，实现了在较为复杂的几何情况下的结构化推理及其他先验偏差的融合，通过从噪声点云等数据中重建复杂几何模型且适用于大尺度室内场景。

    Mar, 2020