基于点云累积的动态 3D 场景分析
本文提出了一种新的实时方法,基于三维点云序列,采用时间上下文聚合实现动态检测和运动参数估计,可适用于自动驾驶车辆在复杂城市环境下进行安全导航,不仅可以估计车辆或行人等常见道路参与者的运动,还可推广到其他没有在训练数据中出现的物体类别,并对不同的时间上下文聚合策略进行了深入的分析,提供了我们最先进模型与 KITTI 场景流数据集上现有解决方案的比较结果。
Apr, 2020
本文提出了一种基于生成的深度图的方法,通过引入像素的稠密性来实现直接从 2D 图像学习 3D 场景流,以及利用统计方法和视差一致性损失来解决噪声点的问题,从而达到了更加有效的自监督学习 3D 场景流的目的。实验证明,这种方法优于合成数据集和激光雷达点云学习的方法,在场景流估计任务中表现出更好的稳定性和准确度。
Sep, 2022
使用极其少的存储要求进行 LiDAR 扫描的 3D 姿态估计以实现可扩展的映射和定位,通过将分割扫描的所有点聚类成语义对象并仅用其质心和语义类别表示,以此方式将每个 LiDAR 扫描简化为一个紧凑的四元向量集合,并通过基于自相关和互相关的对象匹配网络捕捉实体之间的几何和语义关系,通过加权奇异值分解(SVD)和随机采样一致性(RANSAC)恢复扫描之间的相对变换,通过在 KITTI 数据集上不同视点拍摄的点云和不同时间段的 KITTI 和 KITTI-360 之间进行本地化来演示这种表示对度量本地化是足够准确的,具有几乎一半的表示大小,具体为平均 1.33kB。
Mar, 2024
研究了利用场景流纠正车辆自运动补偿方法(EMC)中所存在的影子效应, 并提出了一种插件模块,该模块使用场景流来纠正 3D 目标检测的鸟瞰图表示,实验表明,该模块可显著提高大型车辆的平均精度(高达 16%)。
May, 2023
本文提出了一种用于从 LiDAR 重建大规模城市场景的动态表面重建方法,通过全局优化降低预测表面与输入 LiDAR 扫描数据的距离,实现了对刚性移动物体的运动补偿,并展示了该系统在自动标记局部注释序列和生成难以标记问题的真实注释方面的应用。
Jun, 2024
利用多模态数据结合深度学习模型进行密集三维重建,从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。
Feb, 2024
通过使用 LiDAR 传感器和场景语义,我们提供了一种新的仅依靠 LiDAR 传感器的增强型原始扫描的稠密伪点云框架,无需摄像机,该框架首先利用分割模型从原始点云中提取场景语义,然后使用多模态的域转换器生成伪图像分割和深度提示,从而生成一种富含语义信息的稠密伪点云,并通过引入新的语义引导投影方法增强检测性能。
Sep, 2023
通过自动标记生成大量真实 LiDAR 点云的三维场景流伪标签,采用刚体运动假设模拟自治驾驶场景中的潜在物体级刚体运动,通过更新多个锚点框的不同运动属性,获得整个场景的刚体运动分解。在多个真实数据集上测试,方法在无监督和有监督方法中表现出色,无需手动标记。在 LiDAR KITTI 数据集上,我们的方法将 EPE3D 度量值减少了 10 倍,从 0.190 m 降至 0.008 m。
Feb, 2024