Mar, 2020

利用汽车雷达进行深度开放空间分割

PDF
TL;DR本研究提出使用深度分割模型和雷达识别停车场中的空余位置。并通过对 SCORP 数据集的评估，证明该方法在雷达输入表示方面表现良好，具有低内存使用和实时处理速度，适合嵌入式部署。
radardeep segmentationparkingscorpreal-time processing
发现论文，激发创造
  • 多视角雷达语义分割

    该研究通过使用汽车雷达等主动传感器，提出了基于端到端可训练模型的多视角分析方法，实现了场景的语义分割，进一步提高自动驾驶的效率和准确性。

    Mar, 2021

  • ROSS: 雷达越野语义分割

    在该研究中，我们使用 LIDAR 数据和已标注的离路 LIDAR 数据集来生成 RADAR 标签，并将 RADAR 数据表示为图像，从而应对离路情景下 RADAR 数据的语义分割的固有复杂性。通过实际数据集的验证，我们的实用方法突显了 RADAR 技术在离路环境导航应用中的潜力。

    Oct, 2023

  • 利用语义分割从稀疏雷达聚类的占据网格学习进行道路场景理解

    本文提出了一种数据驱动的方法，利用计算机视觉技术从聚类的雷达数据中学习用于占据栅格映射的逆传感器模型，将问题转化为语义分割任务，并演示了我们的学习占据网模型的表现优于传统方法，具有广泛的应用前景。

    Mar, 2019

  • TransRadar：适应方向变换的实时多视角雷达语义分割

    我们提出了一种新的方法，通过一种新的架构和损失函数对雷达场景进行语义分割，从而克服了雷达数据的固有噪声、稀疏性以及前景和背景的不平衡。我们的方法 TransRadar 在 CARRADA 和 RADIal 数据集上优于现有方法，并且模型尺寸更小。

    Oct, 2023

  • 用于汽车场景解析的雷达光谱 - 语言模型

    通过建立雷达光谱 - 语言模型，对雷达光谱测量的语义信息进行解释和利用，以提升自动驾驶领域中的场景分析性能。

    Jun, 2024

  • 深度单模型与集成模型：加速部署停车监控系统的洞察

    通过在公共场所收集和标记大量停车场图像，使用深度学习方法训练具有融合策略和集成方法的全球性框架，我们发现在不同情境中，这样的模型可以达到 95% 的准确率，从而实现无需数据标注和模型训练的停车场监控系统。

    Sep, 2023

  • RadarScenes: 一款用于汽车应用的真实世界雷达点云数据集

    本研究提供一份新的汽车雷达数据集，用于支持以机器学习为基础的雷达感知算法的研发，特别关注移动道路用户的检测和分类，数据集由四个系列雷达传感器提供数据，持续记录超过四个小时的驾驶过程，同时提供详细的测量和标注信息，以便确保算法的公共性能评估。

    Apr, 2021

  • BEVCar: 融合相机和雷达的纯电动车地图和物体分割

    通过将原始雷达数据编码为点云并将图像特征转化到鸟瞰空间中，我们引入了一种名为 BEVCar 的新型方法，用于联合 BEV 对象和地图分割，并且在 nuScenes 数据集上的实验表明，BEVCar 在环境条件复杂和远距离物体分割方面的性能优于现有技术。

    Mar, 2024

  • 用于动态占据栅格地图的深度雷达反演传感器模型

    通过深度学习的逆传感器模型将雷达检测转化为极坐标测量格网，并结合多普勒雷达测量生成动态网格地图，使得自主驾驶单帧雷达精度得以提高并成为雷达安装方向无关的。

    May, 2023

  • 深度随机雷达模型

    本文介绍了一种基于深度学习和对抗训练的随机汽车雷达模型构建方法，该模型能够保持实时性，并呈现基本的雷达效果，解决了实际场景中汽车雷达模拟的挑战。

    Jan, 2017