基于长期循环卷积网络的 LiDAR 车载测距累计定位系统
本文提出了一种新的深度卷积网络 LO-Net,其可以进行实时激光雷达里程计估计,并通过端到端的方式进行训练。LO-Net 具有一种新的掩码加权的几何约束损失函数,可以有效地学习 LO 估计的特征表达,并可以隐式地利用数据中的时序依赖和动态性。我们还设计了一个扫描到地图的模块,利用 LO-Net 中所学习的几何和语义信息,以提高估计精度。基准数据集上的实验表明,LO-Net 胜过现有的基于学习的方法,并具有与 LOAM 的现有状态 - of-the-art 几何方法相似的准确性。
Apr, 2019
本文介绍了一种基于深度学习的 LiDAR 测距测速 (lo) 估计方法,将 LiDAR 帧转换成图像空间并提取特征点来匹配,借助于卷积神经网络进行测距估计,并在 KITTI 测距数据集上验证了该方法的高效性。
Sep, 2020
使用 Lidar 网格融合和循环神经网络,我们针对自动驾驶中的复杂市区场景进行长期预测,并通过 RNN 训练将场景数据转化为序列,以预测未来的占用率,其中包括卷积长短时记忆(ConvLSTMs)来区分静态和动态区域,预测未来帧中的动态对象,并提供了一种新的经过递归跳跃连接的方法,可以预测遮挡静态区域或者遮挡的小物品,例如行人。
Sep, 2018
本文提出了一种基于深度端到端网络的长期六自由度视觉里程法,通过融合相对网络和全局网络来改进单目定位的准确性,并使用交叉变换约束和均方误差来优化参数,实验结果表明本方法在位姿准确性方面优于其他最先进的基于学习的视觉里程计方法。
Dec, 2018
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
本研究提出了一种新的基于卷积神经网络的多任务全局姿态矫正和里程计评估方法 VLocNet,该模型结构紧凑、可实现实时推断,并采用了一种新颖的辅助损失函数来利用相关位姿信息进行训练,在室内和户外数据集上的实验结果表明,该模型具有可与 SIFT 算法媲美、甚至优于其表现的定位精度。
Mar, 2018
本文提出了一种新的、基于深度循环卷积神经网络(RCNNs)的单目 VO 的端到端框架,通过该框架,可以直接从一系列原始 RGB 图像(视频)中推断出姿态,同时具备学习有效特征表示、深度循环神经网络中的序列动力学和关系的功能,实验验证了该技术具备与传统 VO 系统相当的竞争力。
Sep, 2017
本文介绍了一种使用卷积神经网络从 3D LiDAR 扫描中进行测距估计的新方法。使用 IMU 传感器支持和备用 CNN 模型实现了高质量的测距估计和 LiDAR 数据注册。该方法可以用于取代轮式编码器进行测距估计或补充缺失的 GPS 数据,为室内映射提供实时性和精度。
Dec, 2017
自监督学习 VO 的一种特殊考虑一致性的方法,采用具有两层卷积 LSTM 模块的姿态网络对姿态预测中的长期依赖进行建模,通过自监督损失进行训练,包括模拟几何 VO 中的循环一致性丢失的循环一致性丢失,并通过引入一种损失使网络能够在训练期间超出小时间窗口。结果表明,在几个 VO 数据集中表现出竞争性结果,包括 KITTI 和 TUM RGB-D。
Jul, 2020
提出了一种多用途的自监督 LiDAR 里程计估计方法,该方法在训练期间有选择地应用几何损失,无需任何标签或地面数据,适用于精度难以获得的应用中的姿态估计。
Nov, 2020