Sep, 2021

基于关键点的深度特征融合用于自动驾驶中的协同车辆检测

PDF
TL;DR本文提出一种基于 3D 目标检测器 PV-RCNN 的有效的基点特征融合框架 ——Fusion PV-RCNN（简称 FPV-RCNN），用于解决集体感知中的高精度数据共享和低通信开销的问题，实现数据的压缩和融合，并提高数据融合的鲁棒性。FPV-RCNN 能够显著降低 CPM 的大小，提高检测精度并可有效应用于自动驾驶场景中。
collective perceptionautonomous drivingdata fusion3d object detectionkeypoints-based fusion
发现论文，激发创造
  • 集体 PV-RCNN：利用集体检测的新型融合技术增强基于局部 LiDAR 的感知

    自动驾驶汽车的安全操作需要对环境进行全面感知，而其感知能力受到遮挡、传感器范围限制或环境影响的限制。集体感知旨在通过车辆间的信息交换来减轻这些问题，其中融合交换信息是一个主要挑战。由于早期融合方法对带宽需求巨大以及中间融合方法的可替代性问题，只有共享检测的后期融合是可行的。然而，现有的后期融合方法忽视了本地检测的有价值信息，因此我们提出了一种新颖的融合方法来融合协作车辆在本地基于激光雷达的检测中的检测结果，即集体 PV-RCNN（CPV-RCNN），该方法扩展了 PV-RCNN++ 框架来融合集体检测。此外，代码可在此 https URL 中找到。

    Sep, 2023

  • 可学习通信的自动驾驶系统协同式三维物体检测

    本文提出一种新的协同三维物体检测框架，通过利用空间分布式传感器所提供的信息来辅助自动驾驶系统中的感知精度，同时避免因事先的通信方案导致通信拥堵和 / 或性能受限的问题。通过两个复杂的驾驶场景的实验结果和带宽使用分析，证明了该方法可以在各种检测困难情况下节省通信和计算成本，并显著提高检测性能。

    May, 2022

  • F-Cooper: 以 3D 点云为基础的自动驾驶车辆边缘计算系统的特征协作感知

    提出面向智能互联汽车的点云特征协同感知框架 (F-Cooper)，通过特征融合，实现了目标检测精度的提升，并在进行实时边缘计算的同时，避免了网络拥塞和通信延迟的问题。

    Sep, 2019

  • 利用不完美通信的增强协同感知自动驾驶车辆

    通过合作感知技术提高自动驾驶车辆在不利环境下的视觉感知质量，采用最佳辅助车辆优化协同感知并提高目标检测准确性，特别关注行人检测，验证结果表明该方法在挑战场景中提高了协作感知性能和驾驶安全。

    Apr, 2024

  • PI-RCNN：一种高效的多传感器 3D 目标检测器，具有基于点的注意力卷积融合模块

    本文提出了一种新颖的点云融合方法，称为点云卷积注意力融合（PACF）模块，并基于此提出了一种 3D 多传感器多任务网络称为点云 - 图像 RCNN（PI-RCNN）。通过图像分割子网络和 PACF 模块融合多种传感器特征，PI-RCNN 在 3D 物体检测方面表现显著。

    Nov, 2019

  • PV-RCNN: 用于 3D 物体检测的点 - 体素特征集抽象

    提出了一种名为 PointVoxel-RCNN（PV-RCNN）的 3D 物体检测框架，可以使用点云实现准确的物体检测，使用了 3D voxel 卷积神经网络和基于 PointNet 的集合抽象相结合的方法深度学习了更具有区分性的点云特征，并使用 RoI-grid 池化方法编码具有可比性的特征从而实现了更准确的 3D 检测效果。

    Dec, 2019

  • 连接自动化车辆中的混合特征融合协同语义占用预测

    介绍一种用于协同 3D 语义占据预测的方法，通过混合特征融合和车辆之间共享的压缩正交注意力特征来改进本地 3D 语义占据的预测，结果表明我们的协同语义占据预测在精确度和路面环境中的语义感知方面都优于单车的结果，并在后续感知应用中超越了最先进的协同 3D 检测技术。

    Feb, 2024

  • PV-RCNN++：具有局部向量表示的点 - 体素特征集抽象 用于 3D 目标检测

    本文提出了一种针对点云的三维目标检测新方法 PV-RCNN，通过点和体素两个方面来深度整合特征学习，采用体素到关键点场景编码和关键点到网格 RoI 特征抽象两个创新步骤，更高效准确地实现三维目标检测。PV-RCNN++ 框架通过部分区域划分建议 - 中心采样和 VectorPool 池化等两种策略，在更低资源消耗下实现了更优秀的性能，相比 PV-RCNN 在保持准确率的同时提高了 3 倍速度，并在大规模 Waymo 开放数据集上取得了最先进的三维检测性能。

    Jan, 2021

  • 基于 3D 点云的联网自动驾驶车辆的合作感知

    借助 LiDAR 3D 点云技术，基于来自联网汽车不同位置和角度的传感器数据融合，提出一种基于点云的 3D 物体检测方法，拓展感知区域、提高检测准确性、促进增强结果，同时通过现有的车联网技术，可实现利用点云数据进行协同感知。

    May, 2019

  • 基础设施传感器协同感知驾驶场景中的 3D 物体检测

    本文提出了两种单模态传感器的合作式三维物体检测方案，分别为早期融合方案和后期融合方案，并通过在 T 形路口和环岛等复杂驾驶情境中创建的协作数据集对两种方案及其混合策略进行了性能评估。评估结果表明，早期融合方案在检测精度上表现优异，能识别 95% 以上的物体，而后期融合方案在传输开销上表现更加经济实用。文章同时研究了传感器数量及配置如何影响系统性能。

    Dec, 2019