May, 2020

SurfelGAN: 自主驾驶实际传感器数据合成

PDF
TL;DR本文提出一种利用少量激光雷达和摄像机数据生成真实场景传感器数据的方法，使用 SurfelGAN 网络重建逼真的相机图像对自主驾驶车辆和场景中移动物体的新位置和方向进行模拟，并在 Waymo 开放数据集上演示其有效性。
autonomous driving systemsensor simulationsurfelgan networktexture-mapped surfelswaymo open dataset
发现论文，激发创造
  • 自动驾驶中基于 GAN 的 LiDAR 传感器建模和数据增强

    通过 CycleGANs 从未配对的数据中进行图像转换，以实现从模拟 LiDAR 到真实 LiDAR（sim2real）的传感器建模，从低分辨率到高分辨率的真实 LiDAR（real2real）的生成以及使用鸟瞰图和极坐标 2D 表示法处理 LiDAR 3D 点云。实验结果表明，该方法具有很高的潜力。

    May, 2019

  • 基于 GAN 的激光雷达强度模拟

    开发自动驾驶中，真实车辆传感器模拟是重要的因素。我们提出利用基于数据的方法，使用来自实际测试驾驶的相机图像和 LiDAR 扫描数据训练生成对抗网络，实现相互翻译。通过添加分割数据和密集深度图像的相机图像，以及通过测试真实与合成点云之间物体检测网络的泛化效果评估 LiDAR 模拟性能，我们结合这两种方法，模拟并展示了真实的 LiDAR 点云。

    Nov, 2023

  • 探索在驾驶数据合成中的生成式人工智能应用

    通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。

    Apr, 2024

  • LiDARsim: 通过利用现实世界，实现逼真的激光雷达模拟

    本文提出了一种名为 LiDARsim 的模拟器，利用真实数据生成 3D 场景，通过物理模拟和深度神经网络相结合来生成 LiDAR 点云，用于测试感知算法和评估安全场景。

    Jun, 2020

  • 自主驾驶的大规模神经场景渲染

    本文提出一种大规模神经渲染方法来合成自主驾驶场景 (READ)，通过各种采样方案，可以在 PC 上合成大规模驾驶场景。我们提出一个 ω 渲染网络来表示驾驶场景，该网络从稀疏点云中学习神经描述符。实验表明，我们的模型在大规模驾驶场景中表现良好，并可以缝合和编辑驾驶场景。

    May, 2022

  • Real-Aug: 用于 3D 对象检测的 LiDAR 仿真增强的真实场景合成

    本文提出 Real-Aug，一种基于综合数据生成的数据增强方法，重视生成真实的 LiDAR 扫描，以及系统地验证其对各种探测器和数据集的有效性。

    May, 2023

  • SimGen：基于模拟器的驾驶场景生成

    通过混合模拟器和现实世界的数据，SimGen 模型能够学习生成具有多样性的驾驶场景，通过新颖的级联扩散管道解决了模拟到真实世界之间的差距和多条件冲突，并在保持可控性的基础上，获得卓越的生成质量和多样性。

    Jun, 2024

  • 无人驾驶系统中基于学习的相机和激光雷达模拟方法综述

    该论文回顾了基于学习的传感器模拟方法和验证方法的最新研究进展，重点关注相机和激光雷达这两种主要类型的感知传感器，并概述了评估感知传感器模型的常用验证技术和目前研究领域中存在的研究缺口。

    Jan, 2024

  • DriveGAN：朝着可控的高质量神经仿真

    通过使用机器学习，该研究提出了一种能够通过观察图像数据和相关动作对来学习环境行为并进行建模的高质量神经模型，称为 DriveGAN，不需要监督信号训练控制模型，并在多个数据集上进行了训练和测试，表现优于之前的数据驱动模拟器，实现了对场景和非玩家对象的各个方面进行控制的新功能。

    Apr, 2021

  • 无需专家标签的稳健车辆导航的激光雷达视图合成

    利用深度学习模型和合成技术从不同角度生成额外的 LiDAR 点云数据，为自动驾驶汽车提供多样化的训练数据，以增强模型的稳健性。

    Aug, 2023