ECCVSep, 2018

使用先验 3D 地图的自动驾驶实时动态物体检测

PDF
TL;DR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。
lidarautonomous drivingdynamic object detectionbackground subtraction3d maps
发现论文，激发创造
  • 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

  • 基于流式处理的三维点云目标检测

    探索如何建立一种去除人工延迟限制的目标检测器，而是在流数据上运作来显着降低延迟，该方法有助于减少推理硬件的峰值计算负载，同时实现竞争性甚至优越的预测性能。

    May, 2020

  • 基于 3D 激光雷达的无地图动态物体在线检测

    本文提出了一种无模型、独立于设置的方法，可以在线检测 3D 激光雷达数据中的动态物体。我们明确地补偿了当前 3D 旋转激光雷达传感器的移动扫描操作（运动畸变）。我们的检测方法使用一种运动补偿的 freespace 查询算法，并在点级别对动态（当前移动）和静态（当前静止）标签进行分类。我们使用 CARLA 建立了基于运动畸变激光雷达数据的基准进行定量分析，CARLA 是用于自动驾驶研究的开源模拟器。我们还使用 Velodyne HDL-64E 在驾驶场景中提供了实际数据的定性分析。与现有的无模型 3D 激光雷达方法相比，我们的方法独特之处在于其设置独立性和对点云运动畸变的补偿。

    Sep, 2018

  • 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

  • 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

  • 基于 LiDAR 数据和传感器融合技术的三维物体检测框架比较研究

    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

  • 三维障碍多摄像头系统的联合目标检测与重新识别

    近年来，自动驾驶领域取得了显著进展，本文提出一种新颖的修改方法，利用摄像机和激光雷达信息，将额外的分支整合到目标检测网络中，用于在同一车辆中的相邻摄像头之间重新识别物体，同时提高基线 3D 目标检测结果的质量。经过广泛实验验证，该方法在 2D 和 3D 领域的有效性得到证实，结果表明该方法优于传统的非最大抑制（NMS）技术，在重叠区域的车辆类别中改进超过 5%。

    Oct, 2023

  • 提升城市交通管理：用于数据收集和高级目标检测分析的高架式 3D 激光雷达

    本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

    May, 2024

  • 自主驾驶的多传感器三维物体框细化

    本文提出了一种在自动驾驶背景下具有多传感器优化的三维目标检测系统，其中单眼相机可以作为二维目标提议和初步三维边界框预测，而立体相机和 LiDAR 则被视为自适应插件传感器以优化 3D 边界框本地化性能。

    Sep, 2019

  • 低分辨率 LiDAR 数据下的 3D 物体检测与高分辨率交通参数提取

    本研究提出了一种创新的框架，通过使用单个 LiDAR 系统、点密度填充和零样本学习技术，以及提取感兴趣对象的高低、加速度和速度等特征，实现了交通流量数据收集、物体检测和自动生成立体包围盒的自动化，从而克服了多个 LiDAR 系统和复杂的立体标注过程的限制。

    Jan, 2024