基于 GMM 的毫米波雷达多模交通监测中的点云分割
本文提出了一种用于毫米波雷达稀疏连续点云的语义分割框架,该框架包括图结构和拓扑特征,全局和顺序特征提取模块,以及更适合的损失函数,实验结果表明,该模型在自定义数据集和基准数据集上表现优异。
Apr, 2023
本文提出了一种低复杂度高精度的端到端方法,使用来自低成本 mm 波雷达的稀疏点云序列,结合扩展物体跟踪 Kalman 滤波器和针对雷达点云的有效特征提取和快速推理的深度学习分类器,实时跟踪和识别多个主体,并在一组八个对象中准确识别三个对象,操作速度高达 15 帧 / 秒。
May, 2021
本论文提出了一种新的点云超分辨率方法,名为雷达扩散。该方法使用受均值回归的随机微分方程定义的扩散模型,并通过与对应的 LiDAR 点云的监督来处理雷达幽灵点,将稀疏的毫米波雷达点云增强为稠密的类似 LiDAR 的点云。通过在两个不同的数据集上评估,实验结果表明我们的方法在 3D 雷达超分辨率任务中优于现有的基准方法。此外,我们证明了我们增强的雷达点云能够进行下游的基于点云的雷达配准任务。
Apr, 2024
利用商用毫米波雷达测试其在识别目标、实时追踪人员、定位物体等任务中的实用性和性能,并发现并解决测试过程中的潜在问题,为使用不同深度学习算法实现最佳的目标识别性能提供了广泛的实验数据。
May, 2023
在无界场景中进行定位和制图的 MM-Gaussian 多模态融合系统利用 LiDAR 和相机提供的几何结构信息解决了仅依靠视觉解决方案时遇到的深度不准确性问题,并利用 3D 高斯点云实现逼真的渲染效果。
Apr, 2024
本文介绍了一种有效的注释过程以及其应用,旨在利用 FMCW 扫描雷达对感知环境进行端到端的丰富语义分割。通过利用迄今为止收集的最大雷达集中的城市自治数据集,我们避免了繁琐的手动标注,并将雷达扫描与 RGB 相机和 LiDAR 传感器相关联,在此过程中,语义分割已经是一个已经巩固的程序。最后,我们使用多通道雷达扫描输入呈现网络,以处理短暂的和动态的场景对象。
Apr, 2020
我们研究了一种新的多头神经网络架构,同时解决了雷达点云中的杂波检测和移动道路用户的语义分割问题,并通过只使用一个输出值来表示网络的预测结果,从而达到了与传统特定任务模型相同的推断时间,我们在 RadarScenes 数据集上的广泛评估中证明了我们的设置非常有效,并且在雷达场景的语义分割上优于现有的任何网络。
Nov, 2023
本文介绍了 MMVR 数据集,它是一个多视角、高分辨率的毫米波多视角雷达数据集,包含了来自 25 个人在 6 个不同房间收集的 345,000 个多视角雷达帧、446,000 个标注的边界框 / 分割实例和 7,590,000 个标注的关键点,以支持三个主要感知任务:目标检测、姿态估计和实例分割。在一片开放空间中的单一主体和多个拥挤房间中的多个主体上,我们报告了两个协议下的性能指标,并分别采用了随机分割和跨环境分割这两种数据划分策略。我们期望 MMVR 数据集能够促进室内雷达感知在室内车辆(机器人 / 仿人)导航、建筑能源管理和老年人护理等领域的发展,以提高效率、用户体验和安全性。
Jun, 2024
传感器融合在自主车辆的准确和健壮的感知系统中至关重要。大多数现有的数据集和感知解决方案都专注于相机和激光雷达的融合,然而相机和雷达之间的协作被显著地低估。本论文介绍了 CRUW3D 数据集,包括 66K 个在不同行驶情景中同步并进行了校准的相机、雷达和激光雷达帧。与其他大规模自动驾驶数据集不同,我们的雷达数据以射频(RF)张量的格式呈现,包含了 3D 位置信息和时空语义信息。这种雷达格式可以使机器学习模型在相机和雷达之间交互和融合信息或特征后生成更可靠的物体感知结果。
Nov, 2023