StrObe:来自 LiDAR 数据包的流式物体检测
探索如何建立一种去除人工延迟限制的目标检测器,而是在流数据上运作来显着降低延迟,该方法有助于减少推理硬件的峰值计算负载,同时实现竞争性甚至优越的预测性能。
May, 2020
低延迟的实例分割是机器人感知流水线中的一个重要组成部分,本文介绍了一种利用连续聚类处理激光雷达点云数据以实现实时实例分割的方法,并描述了其数据结构、算法和重要的架构设计选择。
Nov, 2023
无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器,本研究在使用 LiDAR 点云的新编码方式基础上,通过推断自动驾驶车辆附近不同类别物体的位置,实现了对场景中物体位置和方向的预测。
Dec, 2023
本文提出了 LaserNet,一种 3D 物体检测的计算有效方法,它通过在传感器的本地范围视图中处理 LiDAR 数据来提高效率,并使用全卷积网络来预测每个点的 3D 框的多模式分布,然后高效地融合这些分布以生成每个对象的预测,实验证明这种方法比其他方法具有显著更低的运行时间,并且在大型数据集上具有比其他检测器更好的性能。
Mar, 2019
本研究讨论了一种实时的用于自动驾驶场景的动态物体检测算法,该算法利用了先前建立的 Lidar 点云的静态背景模型,并将动态物体检测视为背景减法问题。研究者提出了拒绝级联结构用于对道路区域和其他 3D 区域分别进行减法操作,该算法基于 CARLA 模拟器进行了初步实现和准确度评估。
Sep, 2018
该论文提出一种基于鸟瞰视角融合学习的无锚定框物体检测系统,融合雷达和光学雷达的特征来估计可能的目标,并采用新颖交互式变形模块来进一步提高性能。在最近发布的牛津雷达机器人车数据集上进行测试,该系统在 0.8 IoU 下的性能显着优于最佳现有技术方法,可在清晰和雾天下分别提高 14.4%和 20.5%的平均精度。
Nov, 2022
该研究提出一种新的方法,利用适合扫描模式的坐标系来分析自动驾驶中 LiDAR 传感器所获取到的 3D 数据,并引入了基于范围的卷积方法,其能够根据自我车辆与物体的距离和物体的比例来调整感受野。实验结果在 nuscenes 竞赛上表现良好,可以与现有的先进架构相媲美,而该架构也可以轻松地整合到其他管道中。
Dec, 2020
本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法,采用了 PointNet 网络模型,成功实现了对各种形状复杂、点云分布不均匀的人工目标(如电力塔)的高效检测和分割。
Oct, 2022
LaserFlow 是一种高效的方法,可从 LiDAR 进行 3D 物体检测和运动预测,在不需要数据体素化或压缩的情况下,使用 LiDAR 的本地测距视图表示,提出了新的多次扫描融合架构,同时提出了一种基于课程学习的概率分布学习新技术。与现有最先进的方法相比,我们在两个自动驾驶数据集上展示了有竞争力的结果。
Mar, 2020
本论文介绍了一种利用提升式激光雷达(LiDAR)传感器的能力,通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集,通过训练和评估三维物体检测模型,准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据,优化了基于点体素区域的卷积神经网络(PV-RCNN)架构,提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性,并强调了激光雷达对提升城市安全和推动智能交通系统的作用。
May, 2024