RSL-Net:利用地面雷达在卫星图像中进行定位
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
本文使用深度学习框架对 FMCW 雷达进行物体检测和 3D 估计,在处理雷达训练数据时,通过图像分析提供三维空间中物体方向的真实值,并提出归一化方法以确保成功训练完全卷积网络 (FCN),该系统能够在嘈杂环境中成功检测到汽车并进一步估计其 3D 位置。
Feb, 2019
本文提出了一种车载摄像机定位的解决方案,通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上,并把匹配问题转化为姿态估计问题来提高定位精度。
Apr, 2022
该研究提出了一种利用卫星图像对地面车辆进行精确定位的方法,其采用基于地面 - 卫星特征字典的视觉定位方法,可以在不需要密集的地面图像数据库的情况下估计任意位置的可能性,并通过学习定位判别特征投影矩阵进一步提高精确度,在公共数据集上得到了显著的改进。
Oct, 2015
本论文使用低成本低功率毫米波频率调制连续波雷达进行车内乘员检测,提出了基于 Capon 滤波器的算法进行联合距离 - 方位估计,并提取最小必要特征来训练机器学习分类器,以实现高精度的同时具有合理的计算复杂性。在一辆小型厢式车上进行实验,利用支持向量机(SVM)检测每一排的座位是否有乘客,最终获得了平均 97.8%的正确率,并且该系统可以以 100%的准确率正确识别车辆是否被占用。
Aug, 2019
本文提出一种基于深度学习的 RaLL 框架,将雷达和激光雷达嵌入到共同的神经网络特征空间中,利用激光雷达现成的映射技术来实现雷达在室外环境下的精准定位和低成本的雷达地图构建。实验结果表明,该系统在 90km 的驾车中具有优异的性能,甚至在 UK 训练,South Korea 测试的泛化场景中仍然表现出色。
Sep, 2020
本研究使用毫米波技术,在室内常见的大型办公室环境下,通过使用基站和构建 3D 环境图,结合精确的到发射角信息和时间信息,开发出一种精度达到 12.6 cm 至 16.3 cm 的射线跟踪定位方法,并通过增加基站数量提高室内非视距环境下的平均位置定位精度至 5.5 cm。
Aug, 2019
PanoRadar 是一种新颖的射频成像系统,通过使用旋转的单芯片毫米波雷达以及新型信号处理和机器学习算法,能够以接近激光雷达的分辨率进行三维成像,并在射频范围内实现许多视觉识别任务,包括表面法线估计、语义分割和物体检测。
May, 2024
基于活跃雷达成像仪的雷达场景重建方法,通过在傅立叶频率空间中学习场域,并通过原始雷达数据进行监督,可有效地在各种户外场景中提取场景占用情况。
May, 2024