Dec, 2020

使用 LiDAR 强度图学习定位

PDF
TL;DR本文提出了一种实现实时、不需要校准的自动驾驶汽车定位系统，该方法通过学习将在线 LiDAR 扫描和强度图嵌入到联合的深度嵌入空间中，并通过嵌入之间的有效卷积匹配来进行定位。在不同的 LiDAR 传感器和环境下，我们的系统能够以 15Hz 的实时速度实现厘米级别的精度。在超过 4000 公里的驾驶大数据集上，我们的实验表明了所提出方法的性能。
self-driving carslocalization systemlidardeep embeddingreal-time
发现论文，激发创造
  • 利用稀疏语义高清地图实现自动驾驶汽车定位

    本文提出了一种基于多个传感器的语义定位算法，利用车道，交通标志和车辆动态等信息，以贝叶斯滤波框架为基础，实现对稀疏语义地图的鲁棒定位，相较于传统基于几何学和 LiDAR 强度的定位器所需的储存空间降低了数个数量级，并且证明了其在 312 公里公路数据集上能够获得 0.05m 的横向精度和 1.12m 的纵向精度。

    Aug, 2019

  • 基于学习的本地可定位性估计用于强鲁棒性激光雷达定位

    提出了一种基于神经网络的方法，用于检测在机器人运行期间的定位问题，着重关注激光雷达测距定位模块，该方法通过模拟数据训练，可以适用于不同的环境和传感器类型，并在挑战性环境下进行了实地实验测试。

    Mar, 2022

  • 城市自主驾驶的多激光雷达定位和建图流程

    利用 LiDAR 传感器，提出了一种基于传感器融合的离线地图构建和在线定位算法，可以实现高准确性的实时自主导航，并为自动驾驶应用提供了稳健而灵活的环境。

    Nov, 2023

  • 离线激光雷达基于强度的语义分割

    通过使用 LiDAR 强度参数来增强离线道路环境下的物体分割，我们的方法在 RELLIS-3D 数据集上得到了有希望的结果，为学习基于语义分割框架的预测准确性提供了补充输入。

    Jan, 2024

  • 通过共享 2D-3D 嵌入空间在 LiDAR 地图中进行全局视觉定位

    本研究使用深度神经网络方法来创造一个共享的嵌入空间，将图像和 LiDAR-Map 映射到同一空间中，通过大量实验评估发现，该方法适用于全球定位和场所识别。

    Oct, 2019

  • DeepMapping2: 自监督大规模 LiDAR 地图优化

    DeepMapping2 提出了两种新技术，基于地图拓扑的组织训练数据批次，以及借助成对的点云配准进行自监督局部 - 全局点云一致性损失，解决 DeepMapping 在大规模数据集中计算慢、全局定位网络收敛不足和缺少闭环和精确跨帧点对应等问题，实验表明了我们方法的有效性。

    Dec, 2022

  • 基于 LiDAR 强度的鲁棒地点识别的本地描述符

    该论文提出了一种将 LiDAR 的几何信息与强有力的外观信息相结合的方法，通过建立新的描述符来在地点识别中优于现有办法，并且利用概率性关键点投票算法，在大规模的建筑和非结构化环境中实现有效的全局定位实验。

    Nov, 2018

  • SuMa++：高效 LiDAR 语义 SLAM

    本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法，实现了对运动物体的有效滤波和语义信息约束下的扫描匹配，与现有基于几何约束的方法相比，实验结果表明其性能更优。

    May, 2021

  • LocNet: 用于移动车辆的 3D 点云全局定位

    该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

    Dec, 2017

  • 自监督激光雷达分割用于自主室内导航学习

    本研究提出了一种自监督学习方法用于激光雷达帧的语义分割，通过结合 SLAM 和光线追踪算法实现自动化注释，训练预测机器人移动场景中的固定结构和可动目标的深度学习模型，同时改进机器人的导航和本地化性能，为机器人导航和目标定位提供了新的途径。

    Dec, 2020