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。
May, 2018
本文提出了一种方法,通过考虑地面真实标定数据中的潜在噪声,改善学习概率分布的能力,从而提高自动驾驶探测器的准确性和物体检测性能。
Oct, 2019
为了保证自动驾驶汽车在公共道路上行驶安全,本文提出了一种基于 Lidar 点云的三维汽车探测器的概率检测方法,可以可靠地表示分类和定位任务中的外在和内在不确定性,并通过建模内在不确定性来提高检测精度 1%- 5%。
Apr, 2018
本文提出了一种通过 LiDAR 点云估算边界框标签不确定性的生成模型,并定义了一种新的概率边界框表示方法,进而提出了一种基于 Jaccard IoU 的新的评价指标,该模型在 KITTI 和 Waymo Open 数据集上被证明是优于传统 IoU 的评价指标, 对于概率目标检测器的评估具有高度准确性。
Mar, 2020
本文提出一种有效的方法,可以在一阶段目标检测器中同时估计不确定性和改善检测性能,应用于智能车辆的环境感知任务中的物体检测。实验结果表明我们的系统所输出的不确定性程度与检测准确度和行人遮挡水平有关。
May, 2019
本研究利用以前方法估计地面真实边框参量的不确定性来改进激光雷达概率目标检测器的检测准确性。实验结果表明,我们的方法在平均精度方面比基线模型和基于简单启发式方法的模型提高了高达 3.6%。
Aug, 2020
这篇论文对深度学习中目标检测中的不确定性估计进行了综述和比较研究,着重关注了自动驾驶应用中的概率物体检测方法,提供了用于公共数据集的显式比较研究,并讨论了该领域面临的挑战和未来工作。
Nov, 2020
这篇论文提出了一种新的采样免费的不确定性估计方法,称为 CertainNet,旨在为自主驾驶对象检测中的物体性,类别,位置和大小提供分离的不确定性,该方法使用了一个不确定性感知的热图,并利用检测器提供的相邻边界框,同时也提出了一种评估位置和大小不确定性的新指标。
Oct, 2021
提出一个基于学习生成模型和概率不确定性优化框架的方法,用于在没有对象 CAD 模型的情况下进行高质量的未知对象的三维重建和定位,并且通过引入形状和姿态的不确定性,得到了能够准确反映对象地图错误的姿态和形状不确定性。
Sep, 2023
本文提出三种实用方法,旨在显著减少激光雷达 3D 物体检测网络中不确定性的估计误差,以达到更加准确的不确定性校准,从而最大程度地提高安全性。
Sep, 2019