CVPRMar, 2020

MotionNet: 基于鸟瞰图的自动驾驶联合感知与运动预测

PDF
TL;DR本文提出了一种高效的深度学习模型 MotionNet，通过 LiDAR 扫描的数据实现自动驾驶中的感知和运动预测，该模型基于一种新颖的时空金字塔网络，可以提取深层次的时空特征，并且通过空间和时间一致性约束进一步规范了模型的训练。实验证明，该方法的性能明显优于现有的基于场景流和 3D 目标检测的方法，有望在自动驾驶中提供备用方案和对运动规划员提供补充信息。
发现论文，激发创造
  • MoNet：基于动作的点云预测网络

    本文提出了一种名为 MoNet 的基于运动的神经网络，它将运动特征和内容特征结合起来用于预测未来的点云，以提高自动驾驶中智能汽车对其周围环境的感知和安全性。实验结果表明，该方法具有重要的应用前景。

    Nov, 2020

  • MotionBEV：基于鸟瞰图外观和运动特征的受关注的在线激光雷达移动物体分割

    本文提出了 MotionBEV，一种快速准确的 LiDAR 移动物体分割框架，能在面向鸟瞰图 (BEV) 域内结合外观和动态特征分割移动物体。通过将 3D LiDAR 扫描转换成 2D BEV 表现形式达到实时性能，平均推理时间为 23ms，具有最先进的性能和实际有效性。

    May, 2023

  • BirdNet+: LiDAR 鸟瞰图中端对端 3D 物体检测

    本文提出了一种全端到端的三维物体检测框架，可以仅使用 Bird's Eye View 图像自动推断取向的三维包围盒，并且该方法在 KITTI 三维物体检测基准中超出了现有方法的性能并获得了最佳结果。

    Mar, 2020

  • MODNet: 具备运动和外观的自动行驶移动物体检测网络

    该文章提出了一种新型的多任务学习系统，将外观和运动线索相结合，以更好地对环境进行语义推理，其中介绍了一种联合车辆检测和运动分割的统一架构，并使用 KITTI 数据集评估了该方法，在运动检测任务上的性能优于其他利用运动线索方法 21.5％，在通用物体分割任务上表现与现有的无监督方法相当，其中一个有趣的结论是运动分割与车辆检测的联合训练有益于运动分割

    Sep, 2017

  • 自我监督的鸟瞰运动预测与跨模态信号

    通过引入新颖的跨模态自监督训练框架，本文解决了点云方法中的假流和不一致性问题，提出了三种创新的监督信号来保留场景动作的内在属性，包括遮罩 Chamfer 距离损失、分段刚性损失和时间一致性损失，通过广泛实验证明，我们提出的自监督框架在动作预测任务中优于所有先前的自监督方法。

    Jan, 2024

  • 将车辆映射到鸟瞰图中的学习

    本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

    Jun, 2017

  • PnPNet: 带有循环追踪的端到端感知与预测

    我们提出了 PnPNet，这是一种针对自动驾驶车辆中的联合感知和运动预测问题的端到端模型，通过在线生成物体轨迹并利用轨迹级特征进行运动预测，PnPNet 在两个大规模驾驶数据集上得到了验证，并显示了比现有技术更好的遮挡恢复和更准确的未来预测。

    May, 2020

  • MVFuseNet: 通过多视角融合 LiDAR 数据，提高端到端对象检测和运动预测的性能

    提出了一种名为 MVFuseNet 的方法，在利用脉冲激光雷达（LiDAR）数据时，通过多视图联合学习以及多尺度特征提取的方式，实现了目标检测和运动预测，取得了最新的技术成果，并且验证了该方法在大范围的自动驾驶数据集上可以很好地拓展并保持实时性能。

    Apr, 2021

  • 快与猛：使用单个卷积神经网络进行实时端到端的三维检测、跟踪和运动预测

    本文提出一种深度神经网络模型，可以在利用 3D 传感器获取的数据的基础上联合推理 3D 检测、跟踪和运动预测，该方法在鸟瞰图表示的 3D 世界上执行时空 3D 卷积，具有高效的特点，并在多个北美城市捕获的超大规模数据集上进行实验，结果显示该方法在性能上大幅领先于现有技术，而且多项任务仅需要 30 毫秒即可完成。

    Dec, 2020

  • BirdNet: 基于 LiDAR 信息的 3D 物体检测框架

    本文提出了一种基于 LiDAR 的三维物体检测算法，包含三个阶段：将激光信息投影到鸟瞰图上、通过卷积神经网络估计物体在平面上的位置和朝向、以及在后处理阶段计算 3D 物体检测。实验结果表明该算法在 KITTI 数据集上达到了与同类方法相当的最优结果，并能在不同实际场景下应用于多个 LiDAR 传感器。

    May, 2018