Oct, 2019

通过共享 2D-3D 嵌入空间在 LiDAR 地图中进行全局视觉定位

PDF
TL;DR本研究使用深度神经网络方法来创造一个共享的嵌入空间，将图像和 LiDAR-Map 映射到同一空间中，通过大量实验评估发现，该方法适用于全球定位和场所识别。
global localizationplace recognitionlidar-mapsdeep neural networkoxford robotcar dataset
发现论文，激发创造
  • LocNet: 用于移动车辆的 3D 点云全局定位

    该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

    Dec, 2017

  • 基于图像的地理定位通过地面到 2.5D 地图匹配

    本文研究基于图像的地理定位问题，通过在地图上确定地面视角的查询图像。我们提出了一种新的方法，通过 2.5D 空间中的结构高度来引导跨视图匹配，并借助多模态数据学习代表性嵌入。我们构建了第一个大规模的地面到 2.5D 地图地理定位数据集来验证我们的方法，并在单图像定位和路径定位等任务上进行了广泛实验，结果表明我们的方法在定位精度和收敛速度上明显优于之前的基于 2D 地图的方法。

    Aug, 2023

  • 无人地面车辆定位的高效神经映射

    通过训练神经网络来实现全球本地化并应用于实际机器人场景，在二维平面中限制问题并大幅增加训练数据，可以得到紧凑的模型，实现了数厘米的定位精度，并在无人地面车上应用进行路径导航任务。

    Nov, 2022

  • LC$^2$: 基于 LiDAR 和相机循环约束的跨模态地点识别

    本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

    Apr, 2023

  • 使用 LiDAR 强度图学习定位

    本文提出了一种实现实时、不需要校准的自动驾驶汽车定位系统，该方法通过学习将在线 LiDAR 扫描和强度图嵌入到联合的深度嵌入空间中，并通过嵌入之间的有效卷积匹配来进行定位。在不同的 LiDAR 传感器和环境下，我们的系统能够以 15Hz 的实时速度实现厘米级别的精度。在超过 4000 公里的驾驶大数据集上，我们的实验表明了所提出方法的性能。

    Dec, 2020

  • 深度学习在视觉定位和地图构建中的应用综述

    通过综述和提出分类法，本文基于深度学习对定位和制图的研究方法进行探讨，并希望成为将来研究人员应用深度学习解决视觉定位和制图问题的指南。

    Aug, 2023

  • 基于学习嵌入的卫星图像定位

    本文提出了一种基于视觉的方法，利用公开的卫星图像作为对环境的唯一先验知识，对地面车辆进行定位，并通过神经多视点模型消除图像之间的视角和外观差异。实验证明，该方法能够在训练集之外的环境中定位地面图像。

    Apr, 2017

  • DeepMapping2: 自监督大规模 LiDAR 地图优化

    DeepMapping2 提出了两种新技术，基于地图拓扑的组织训练数据批次，以及借助成对的点云配准进行自监督局部 - 全局点云一致性损失，解决 DeepMapping 在大规模数据集中计算慢、全局定位网络收敛不足和缺少闭环和精确跨帧点对应等问题，实验表明了我们方法的有效性。

    Dec, 2022

  • 基于深度学习的拓扑定位

    该论文提出了一种基于视觉和 LiDAR-based 的深度学习网络联合的、采用较为经济实惠的相机作为被动传感器的方法，将它们训练后进行优化以提高室外定位的精度，其误差比传统的视觉定位方法小至少 10 倍，通过对行人行为的不同研究，成功避免了多种不同时间、气候带来的问题。

    Jun, 2017

  • 语义视觉定位

    该论文提出了一种基于联合三维几何和语义理解的新方法来解决计算机视觉中困难的视觉定位问题，该方法使用生成模型进行描述符学习，并在语义场景补全作为辅助任务进行训练，以使得生成的三维描述符具有鲁棒性，并能够实现在极端视角，光照和几何变化下的可靠定位。

    Dec, 2017