MMAug, 2018

深度激光雷达卷积神经网络用于理解运动车辆的动态

PDF
TL;DR本文提出了一种用于理解场景中运动车辆动态的新方法，该方法通过设计卷积神经网络 (CNN)，并在训练期间引入一系列所谓的 “预文本任务”，以消除自我运动和外部车辆运动的混淆。我们在测试阶段使用 lidar 扫描的连续对来试验该系统，并在训练期间将形象信息开以提高系统推理结果精度。
autonomous drivingperception technologiesdeep learninglidar informationcnn architecture
发现论文，激发创造
  • 深度多传感器车道检测

    提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

    May, 2019

  • 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

  • 用于驾驶场景中点云车辆检测和跟踪的反卷积网络

    本文提出了一种使用 3D 激光雷达信息的汽车检测和跟踪系统，其中检测步骤使用卷积神经网络（CNN），并通过多假设扩展卡尔曼滤波器实现多目标跟踪。此基于激光雷达的方法与基于图像的检测器使用大约相似的结果并仅使用原始数据的 4％。

    Aug, 2018

  • 基于占据估计的汽车激光雷达自我监督

    本论文提出一种基于自监督学习的点云深度感知模型预训练方法，通过表面重建预训练任务和基于潜在向量的感知头来抓取表面信息的语义片段并提高对象检测和场景语义分割性能。

    Dec, 2022

  • 使用先验 3D 地图的自动驾驶实时动态物体检测

    本研究讨论了一种实时的用于自动驾驶场景的动态物体检测算法，该算法利用了先前建立的 Lidar 点云的静态背景模型，并将动态物体检测视为背景减法问题。研究者提出了拒绝级联结构用于对道路区域和其他 3D 区域分别进行减法操作，该算法基于 CARLA 模拟器进行了初步实现和准确度评估。

    Sep, 2018

  • 自动驾驶中图像与点云融合的深度学习技术综述

    该论文着眼于深度学习在相机 - LiDAR 融合数据处理中的应用，对深度补全、物体检测、语义分割、跟踪和在线跨传感器校准等方面的方法进行了深入评估和比较。该研究提出了当前学术研究与实际应用之间存在的差距和未被重视的挑战，并提出了有前途的研究方向。

    Apr, 2020

  • 基于稀疏雷达的自动驾驶车辆密集光流幻像

    本文提出了一种新的方法，从自动驾驶车辆的稀疏激光雷达数据中估计密集的光流，用作图像不可靠的情况下，如恶劣天气或夜间，替代任何基于图像的光流系统的替代方案。该方法使用多尺度滤波器的三级结构来推断离散范围数据的高分辨率 2D 流，并在 lidar 和图像域中结合多个中间目标。通过使用 FlowNet2 计算的假伪基于图像的光流，我们介绍了一个包含约 20K lidar 样本的 Kitti 数据集，并使用该数据集训练网络。我们在 Kitti 数据集上演示了我们方法的有效性，并表明尽管使用低分辨率和稀疏的 lidar 测量，我们可以回归与基于图像的方法相当的密集光流图。

    Aug, 2018

  • 任意运动侦测器：从一系列 LiDAR 点云学习无类别场景动态

    本文提出了一种新的实时方法，基于三维点云序列，采用时间上下文聚合实现动态检测和运动参数估计，可适用于自动驾驶车辆在复杂城市环境下进行安全导航，不仅可以估计车辆或行人等常见道路参与者的运动，还可推广到其他没有在训练数据中出现的物体类别，并对不同的时间上下文聚合策略进行了深入的分析，提供了我们最先进模型与 KITTI 场景流数据集上现有解决方案的比较结果。

    Apr, 2020

  • 多模态虚拟点 3D 检测

    通过无缝融合 RGB 传感器到 Lidar 的 3D 识别中，我们提出了一个简单而有效的多模态检测器，该方法利用一组 2D 检测生成密集的虚拟 3D 点，能够增强原来稀疏的 3D 点云，实验结果在大规模 nuScenes 数据集上取得了显着的改进，并超过了竞争融合方法。

    Nov, 2021

  • FuseMODNet: 基于摄像头和激光雷达的实时低光照强壮自动驾驶移动物体检测

    本文提出了一种基于卷积神经网络（CNN）的方法，利用相机和 LiDAR 传感器的运动信息来检测移动物体，以应对低光条件下的自动驾驶车辆中的移动对象检测问题，并在 KITTI 数据集上进行了验证。

    Oct, 2019