Jan, 2023

3D 点云地图中的 6DoF 定位：Slice Transformer 和自监督学习

PDF
TL;DR自主车辆定位是十分必要的。本研究提出了一种自监督学习的方法，采用 Transformers 技术来进行使用 LiDAR 数据进行室外定位。我们提出了一种对 360 度 LiDAR 扫描进行切片分析的前置任务，并通过多头注意力机制系统地处理这些切片，从而设计了一个被称为 Slice Transformer 的模型。我们还开发了一种名为 Perth-WA 的数据集。最终，在 Perth-WA 和 Appollo-SouthBay 数据集上对我们提出的本地化方法进行了全面评估，同时该研究的自监督学习方法也被证明对于常见下游任务的对象分类具有很大的实效性。
autonomous vehiclesself-supervised learningtransformerslidar datamulti-head attention
发现论文，激发创造
  • 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

  • SelfVoxeLO: 使用基于体素深度神经网络的自监督 LiDAR 里程计

    本文提出了一种自监督的 LiDAR 测距法 ——SelfVoxeLO，通过使用 3D 卷积网络对点云数据进行特征提取，利用 LiDAR 点云的内在属性设计了多种新颖的损失函数，并引入了一种不确定性感知的机制来减轻运动物体 / 噪声的干扰，该方法在 KITTI 和 Apollo-SouthBay 数据集上的性能超过了现有的无监督方法，并且可以通过添加更多未标记的训练数据来进一步提高性能，可与有监督的方法相媲美。

    Oct, 2020

  • 基于占据估计的汽车激光雷达自我监督

    本论文提出一种基于自监督学习的点云深度感知模型预训练方法，通过表面重建预训练任务和基于潜在向量的感知头来抓取表面信息的语义片段并提高对象检测和场景语义分割性能。

    Dec, 2022

  • 自监督镜像雷达蒸馏用于自动驾驶数据

    该研究提出了一种针对自动驾驶数据量身定制的自监督 3D 感知模型预训练方法，使用 superpixels 来池化 3D 点特征和 2D 像素特征，训练 3D 网络来匹配虚拟对应的 2D 像素特征并提取特征，从而实现无需任何点云或图像注释的 3D 语义分割和车辆物体检测，进行了大量的自动驾驶数据集实验以证明其有效性。

    Mar, 2022

  • AutoInst: LiDAR 3D 扫描的自动实例分割

    通过无监督学习的方法，使用 LiDAR 传感器，构建了一个算法来预测 3D 场景中的实例分割，其中通过权重代理图生成 3D 实例掩模建议，并使用自我训练算法对初始嘈杂的提议进行强化，以生成场景级实例分割。在 SemanticKITTI 基准测试中，该方法相较于最佳基准模型获得了 13.3% 的平均准确率和 9.1% 的 F1 分数提升。

    Mar, 2024

  • LISO：纯激光雷达无监督三维物体检测

    自动驾驶堆栈中，3D 物体检测是最重要的组成部分之一，但当前最先进的激光雷达物体检测器需要昂贵而缓慢的人工注释才能取得良好性能。我们引入了一种自我监督方法来训练 SOTA 激光雷达物体检测网络，该方法仅基于未标记的激光点云序列工作，我们称之为轨迹规范化自我训练。我们演示了我们的方法对于多个 SOTA 物体检测网络在多个真实世界数据集上的有效性。

    Mar, 2024

  • 3D 可学习超级令牌变压器用于激光雷达点云场景分割

    3DLST 是一种新颖的 3D Transformer 框架，通过引入 DSO 块实现高效的令牌聚类和聚合，提出了高效的 CAU 块用于令牌重构，并采用 W-net 架构进行基于 Transformer 的特征学习，其在多个具有挑战性的 LiDAR 数据集上表现出优越性能和适应性。

    May, 2024

  • 快速点变换器

    本文介绍了一种基于 Fast Point Transformer 的新型轻量级自我关注层的方法，用于对大型 3D 场景进行处理和提高计算效率，并应用于 3D 语义分割和 3D 检测，具有与基于体素的最佳方法相竞争的准确性和比 Point Transformer 更快的推理时间。

    Dec, 2021

  • LEST: 基于 Transformer 的大规模 LiDAR 语义分割

    我们提出了一种使用纯 Transformer 的 LiDAR 语义分割体系结构 LEST，在公共语义分割验证集和 SemanticKITTI 测试集上，我们的模型表现优于所有其他最先进的方法。

    Jul, 2023

  • 使用 3D 时空卷积网络进行自监督点云预测

    本文提出了一种使用 3D LiDAR 扫描来预测未来点云的方法，该方法可用于实现自主移动系统的预测状态估计、避碰和规划，通过使用 2D 范围图像表示扫描数据并连接一系列范围图像来实现端到端的预测，最终通过 3D 卷积来预测未来的 3D 点云，并通过多个数据集进行实验验证，结果表明本文提出的方法比现有的点云预测结构更优且能够很好地适用于新的未知环境。

    Sep, 2021