自动驾驶汽车应该在何处放置激光雷达?- 一种最优设计方法
本文旨在研究一种最佳的 LiDAR 配置,通过物理属性建立了感知模型和广义优化模型,并提出基于格点和圆柱的优化方法来解决问题。实验证明,该方法在探测性能方面取得了最优解,也可为研究人员在利用 LiDAR 方面提供指导。
May, 2018
本研究从物理设计的角度出发,研究多个 LiDAR 的不同布置对深度学习算法在 LiDAR 感知中的影响,并通过新的数据采集,检测模型训练和评估框架在 CARLA 模拟器中验证了感知性能。结果表明,3D 点云基础的目标检测中,传感器的放置是至关重要的,会导致 AP 的 10% 性能差异。
May, 2021
该论文提出了一种优化道路激光雷达 (LiDAR) 布置的方法,通过在场景中选择优化位置以提升感知性能。使用基于感知增益的贪婪算法,顺序选择可以最大化感知增益的位置。为了获得感知能力,提出了一种感知预测器来仅使用单个点云帧评估 LiDAR 布置,同时创建了一个名为 Roadside-Opt 的数据集来促进研究道路激光雷达布置问题。
Oct, 2023
通过提出 Place3D 框架,我们针对多雷达感知系统在复杂条件下的鲁棒性问题进行了研究,包括雷达布置优化、数据生成和下游评估,并通过引入 Surrogate Metric of the Semantic Occupancy Grids (M-SOG) 评估雷达布置质量,在多类恶劣环境和传感器故障条件下展现了卓越的稳健性。
Mar, 2024
基于 LiDAR 的 3D 检测在自动导航中起着至关重要的作用。本文通过对长距离检测数据集 Argoverse 2.0 的经验性分析,揭示了近场和远场 3D 检测的不同特征,并提出了一种基于集成模型的有效技术,使长距离检测的效率提高了 33%,准确性提高了 3.2% CDS。
Aug, 2023
本文对自动驾驶汽车中基于 LiDAR 传感器的感知系统进行了首次安全研究,将 LiDAR 欺骗攻击作为威胁模型,并探索了机器学习模型欺骗攻击的可能性,提出了优化方法和算法,同时讨论了针对自动驾驶汽车感知系统、传感器和机器学习模型的防御方向。
Jul, 2019
讨论了激光雷达与传感器融合技术在自动驾驶车辆对象检测和定位方面的显著改进,并通过对最新研究方法的实验分析提出了未来的研究方向。
Feb, 2022
该论文通过第一次研究探索了当前利用 LiDAR 技术的自动驾驶系统的漏洞,并提出了 CARLO 和 SVF 两种方法用于检测和减轻 LiDAR 攻击,其中 SVF 进一步降低了攻击成功率。
Jun, 2020
本文综述了目前 LiDAR 技术在自动驾驶汽车领域所处的状态,涉及了从激光发射器到其光束扫描机制等组件,以及该技术处理感知数据的特定流程,其中探讨了模型驱动方法和新兴的深度学习解决方案,最后总结了该技术的局限性和面临的挑战及趋势。
Apr, 2020
提出了 LS-VOS 框架,通过在训练期间引入异常知识,从而在 3D 物体检测中识别异常值,并在保持高 3D 物体检测性能的同时,改善了异常检测能力。
Oct, 2023