SuMa++:高效 LiDAR 语义 SLAM
提出了一种新颖的轻量级视觉语义定位算法,通过稳定的语义特征代替低级纹理特征,结合离线构建的语义地图和在线的数据关联实现实时的自动驾驶定位。实验结果表明,该方法在各种自动驾驶定位任务中是可靠且实用的定位解决方案。
Jun, 2024
使用深度学习模型产生语义信息以提高 LiDAR 扫描的点对线和点对面匹配,并构建环境的语义地图,应用于快速移动平台,提高 LiDAR 测距与建图的鲁棒性。
Mar, 2024
介绍了一种使用语义特征的视觉惯性里程计系统 SemanticSLAM,可以在室内环境中进行可靠的相机定位,改善位姿估计并生成语义地图,可用于路径规划、避障和机器人导航等下游任务。
Jan, 2024
本文提出了一种移动视觉系统的实时语义地图构建方法,采用 2D 到 3D 对象检测流程和快速数据关联,将关联检测作为语义约束引入 SLAM 系统进行姿态校正,通过本文提出的观测对象局部关联处理和基于不确定性贪心关联的方案,平均迭代时间达到了 65ms,实验结果表明在公共数据集上能够使现有的 SLAM 系统姿态估计提高 68%。
Mar, 2022
本论文将最新的深度学习方法与基于视频流的半稠密 SLAM 相结合,在室内 / 室外数据集中得到了更好的 2D 语义标签识别,无需针对序列中的每一帧获得语义分割,其时间复杂度也得以合理控制。
Nov, 2016
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
本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法,使用隐式表示进行建模。通过浅层多层感知机(MLPs)从隐式特征解码出语义信息和有符号距离值,并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化,最后利用 Marching Cubes 算法对场景进行推断阶段的细分和可视化。与当前最先进的 3D 建图方法相比,我们的框架在三个真实数据集,SemanticKITTI,SemanticPOSS 和 nuScenes 上表现出了很高的效果和效率。
Nov, 2023
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
本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标,并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。
Jun, 2020
本文提出了一种基于实时语义 RGB-D SLAM 算法的方法,其能够在动态环境中检测已知和未知的运动物体,并通过仅对关键帧进行语义分割来减少计算成本,并保持静态地图以实现强健的相机跟踪,同时提出了一种有效的几何模块来检测未知的移动物体。该算法在公共数据集和实际应用场景中进行了评估,最终实现了在低功耗嵌入式平台上实时运行并能在动态环境中提供高精度的定位与跟踪。
Apr, 2021