超越激光雷达范围的深度感知
本文提出一种基于伪激光雷达（pseudo-LiDAR）的物体三维检测方法，通过改进其立体深度估计的网络结构和损失函数，以及通过利用稀疏的廉价激光雷达传感器的测量结果来传播深度估计值，从而实现对目标的准确检测。在 KITTI 数据集上的实验表明，该方法相比现有方法在远处物体检测精度上有 40% 以上的提升。
Jun, 2019
本研究证明，在自动驾驶领域，结合深度传感和视觉信息对于现实汽车道路跟随任务相当有效，且具备时间和空间的完美对齐；同时，从预测效果上可以看出，离线预测序列的时间平滑程度能够等效于常用的平均绝对误差。
Jun, 2022
本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达（pseudo-LiDAR）表示的方法，从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。
Dec, 2018
提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。
May, 2019
通过利用无标签的历史雷达数据，我们提出了一种新颖、简洁且端到端可训练的框架 AsyncDepth，用于改进单目 3D 检测器的性能，并取得了一致且显著的性能提升。
Apr, 2024
该论文提出一种在机器人应用中提高单目深度估计精度的方法，通过残差神经网络，以 2D 激光测距仪的观察为基础，结合分类和回归损失进行连续深度估计，在障碍物避免中具有潜在的应用价值。
Oct, 2016
自动驾驶系统的感知输出对于其他智能体和结构的空间推理和路径规划至关重要，基于摄像头图像的透视投影方法不适用于自动驾驶，因此需要使用其他方法来产生所需的地形俯视图像。
Sep, 2023
通过 TOF - 立体相机配对的数据融合方法，提出了一种通过种子生长算法和 Bayesian 模型相结合的方法，以更高的分辨率提供精确的深度图，用于导航和其他机器人应用。
Jul, 2021
基于 LiDAR 的 3D 检测在自动导航中起着至关重要的作用。本文通过对长距离检测数据集 Argoverse 2.0 的经验性分析，揭示了近场和远场 3D 检测的不同特征，并提出了一种基于集成模型的有效技术，使长距离检测的效率提高了 33%，准确性提高了 3.2% CDS。
Aug, 2023