Jun, 2019

利用事件相机进行深度动态障碍物躲避的 EVDodgeNet

PDF
TL;DR本文提出基于深度学习的方法利用事件相机和机载计算实现四轴飞行器避开多个动态障碍物。该方法通过一系列浅层神经网络模型同时估计自我运动和独立运动目标的运动，并在真实场景下实现测试并证明有效性，成功率达到 70%。此外，本方法通过反向控制来延伸应用于其他不同场景，是首次使用事件相机实现基于深度学习的动态障碍物避免方案的研究。
dynamic obstacle avoidancequadrotorsevent camerasdeep learningneural networks
发现论文，激发创造
  • 高分辨率事件相机行人检测

    本文研究使用事件相机结合深度学习进行行人检测任务，并比较了不同处理方法的效果，结果表明事件相机是解决现有问题的潜在技术。

    May, 2023

  • 利用事件相机实现四旋翼的低延迟高带宽控制

    本文提出了一种使用事件相机实现闭环控制的方案，通过一个带有事件相机的双旋翼平台，采用修改后的霍夫变换算法与卡尔曼滤波器估算姿态，并使用 PD 控制器计算转子推力，实现一维姿态跟踪，同时取得了很好的控制效果。

    Nov, 2019

  • 事件驱动视觉与深度学习在自动驾驶汽车转向预测中的应用

    本文提出了一个深度神经网络方法，使事件摄像头在车辆转向角度预测等困难运动估计任务上发挥潜力，并展示了从传统到基于事件的视觉进行传递学习的优势和优于基于标准摄像头的最先进算法的表现。

    Apr, 2018

  • 深度事件视觉里程计

    基于事件相机，本研究提出了第一个单目纯事件系统 Deep Event VO (DEVO)，通过稀疏追踪选定的事件块，显著减少了七个真实场景基准测试上的位姿跟踪误差，较单纯事件方法减少了 97%，并且通常优于或接近立体或惯性方法。

    Dec, 2023

  • 用 RGB-D 相机实时跟踪和映射动态障碍物的无人机导航和避碰系统

    提出了一种基于 RGB-D 相机的实时动态障碍物跟踪和建图系统，该系统使用 “占用格子图” 生成动态障碍物区域，应用卡尔曼滤波和连续滤波来跟踪每个动态障碍物，并提出了一种基于 Markov 链的环境感知轨迹预测方法。实验结果表明，该方法可以在动态环境中实时成功跟踪和避免障碍物。

    Sep, 2022

  • 基于事件相机的自适应时域方法用于四足机器人动态运动跟踪的视觉里程计

    本文提出了一种直接使用事件和 RGB-D 数据相结合的稀疏视觉里程法，用于估计活泼的四足机器人在动态运动和杂技行为中的姿态。

    May, 2023

  • 基于全卷积网络的快速鲁棒单目深度估计用于障碍物检测

    本文介绍了一种基于外观的障碍物检测系统，使用深度神经网络的方法进行训练，能够在高速行驶、长距离、低维度等复杂情况下对障碍物进行检测。

    Jul, 2016

  • 从事件中学习单目浓密深度

    本文介绍了事件相机及其与传统图像传感器的区别，讨论了基于学习的方法如何应用于事件数据，提出了使用循环架构来预测单眼深度的新方法，并在 CARLA 模拟器数据集上进行了预训练并在 MVSEC 上进行了测试，结果表明平均深度误差减小了 50%。

    Oct, 2020

  • 面向无人机有限环境知识的基于记忆的深度强化学习障碍物避难技术

    本文提出了基于深度强化学习和递归神经网络的无人机避障技术，可在未知室内环境中自主避免障碍物，提高了导航距离和推理速率。

    Nov, 2018

  • 降低事件相机的模拟到现实差距

    本文介绍了一种用于提高事件基于 CNNs 的训练数据的策略，可为视频重建网络和光流网络带来 20-40％的性能提升，并提出了一种新的高质量数据集 HQF 以解决事件基于视频重建缺乏质量地真实图像的问题。

    Mar, 2020