ICMLMay, 2019

自动驾驶中基于 GAN 的 LiDAR 传感器建模和数据增强

PDF
TL;DR通过 CycleGANs 从未配对的数据中进行图像转换，以实现从模拟 LiDAR 到真实 LiDAR（sim2real）的传感器建模，从低分辨率到高分辨率的真实 LiDAR（real2real）的生成以及使用鸟瞰图和极坐标 2D 表示法处理 LiDAR 3D 点云。实验结果表明，该方法具有很高的潜力。
autonomous drivingsimulatorslidarcycleganssensor modeling
发现论文，激发创造
  • 基于 GAN 的激光雷达强度模拟

    开发自动驾驶中，真实车辆传感器模拟是重要的因素。我们提出利用基于数据的方法，使用来自实际测试驾驶的相机图像和 LiDAR 扫描数据训练生成对抗网络，实现相互翻译。通过添加分割数据和密集深度图像的相机图像，以及通过测试真实与合成点云之间物体检测网络的泛化效果评估 LiDAR 模拟性能，我们结合这两种方法，模拟并展示了真实的 LiDAR 点云。

    Nov, 2023

  • 基于鸟瞰 LiDAR 点云数据的车辆检测领域自适应

    本研究通过提出基于 CycleGAN 架构的域自适应框架，在从真实 3D LiDAR 传感器获取的鸟瞰（BEV）点云图像上检测车辆时，将合成的点云数据与真实点云数据之间的领域转移缩小，相对于常规方法提高了超过 7% 的平均精确度分数。

    May, 2019

  • SurfelGAN: 自主驾驶实际传感器数据合成

    本文提出一种利用少量激光雷达和摄像机数据生成真实场景传感器数据的方法，使用 SurfelGAN 网络重建逼真的相机图像对自主驾驶车辆和场景中移动物体的新位置和方向进行模拟，并在 Waymo 开放数据集上演示其有效性。

    May, 2020

  • Real-Aug: 用于 3D 对象检测的 LiDAR 仿真增强的真实场景合成

    本文提出 Real-Aug，一种基于综合数据生成的数据增强方法，重视生成真实的 LiDAR 扫描，以及系统地验证其对各种探测器和数据集的有效性。

    May, 2023

  • 自动驾驶增强型激光雷达模拟器

    本文提出一种新的 LiDAR 模拟器，可有效解决困扰自动驾驶车辆的障碍物检测问题。该模拟器通过添加合成障碍物并在背景点云基础上生成注释点云，可以自动为检测器提供训练数据，使其在深度学习中表现出色，并可以实现大规模工业应用。

    Nov, 2018

  • 基于深度生成模型的激光雷达数据建模

    本文提出利用深度生成模型解决 Lidar 数据的合成问题，并通过以 2D 坐标点图表示的方法，成功地生成高质量的样本，同时为数据学习了有意义的潜在表示。提出的数据表示方案将 2D 信号与绝对位置信息相结合，对噪声和缺失数据有较好的鲁棒性，有效地恢复出激光雷达扫描图。

    Dec, 2018

  • LiDARsim: 通过利用现实世界，实现逼真的激光雷达模拟

    本文提出了一种名为 LiDARsim 的模拟器，利用真实数据生成 3D 场景，通过物理模拟和深度神经网络相结合来生成 LiDAR 点云，用于测试感知算法和评估安全场景。

    Jun, 2020

  • 无需专家标签的稳健车辆导航的激光雷达视图合成

    利用深度学习模型和合成技术从不同角度生成额外的 LiDAR 点云数据，为自动驾驶汽车提供多样化的训练数据，以增强模型的稳健性。

    Aug, 2023

  • 多模态变换器增强的 LiDAR 点云生成的生成式人工智能

    通过综合感知和通信技术，提出了一种利用图像和雷达数据合成激光雷达点云的方法，从而增强无线通信系统的性能，并通过与现有感知模态的整合，提高各种无线应用的表现。

    May, 2024

  • 远程感知图像中的数据增强和适应的条件生成对抗网络

    使用 GAN 将给定的标记遥感图像拓展成更大的数据集并评测其对于物体检测任务的性能提升。

    Aug, 2019