WOMD-LiDAR: 运动预测原始传感器数据集基准
MoDAR 使用运动预测输出作为一种虚拟模态,以增强 LiDAR 点云,从而将物体信息从时间上下文向目标帧传播,通过将原始传感器点和虚拟点的融合点云馈送到任何现成的基于点云的三维物体检测器,可以极大地提高对遮挡和长距离物体的检测效果。
Jun, 2023
该研究介绍了当前最全面的交互式动作数据集,包含超过 100,000 个场景,用于发展动作规划模型与提供强大的基线模型来对单独或多个交互式对象进行预测,并提供了新的度量方法。
Apr, 2021
该研究介绍了一种新的大规模、高质量、多样化的自动驾驶数据集,其中包含了各种城市和郊区地理环境中的 1150 个场景,数据标注为 2D 和 3D 框,而 2D 和 3D 检测和跟踪任务的基线也得到了提供。
Dec, 2019
Argoverse 2 是一套适用于自动驾驶领域的三个数据集,包含多模态数据,如高分辨率图像,种类繁多的 3D 标注,未标注的 lidar 点云等,为 3D 感知模型的训练和评估提供了充足的数据和场景,并提供了自我监督和云点预测等新的数据学习任务。
Jan, 2023
通过将视觉世界划分为场景元素,并利用预训练的图像模型和 LiDAR 神经网络以开放词汇的方式编码所有场景元素,我们提出了一种能够高效编码多帧多模态观察的方法,并且在 Waymo Open Motion 数据集上的实验证明了我们的方法明显优于现有技术。
Apr, 2024
本研究提出了一种基于原始传感器测量而非基于标准轨迹的端到端方法来进行对象检测和运动预测,实现对多个未来情况的推理能力,并扩展了检测度量来检验预测准确性。
Mar, 2022
利用 LiDAR 传感器获取关于场景的精确几何信息支持自动驾驶,本文提供一种新颖的数据集,旨在为源数据集的性能评估提供跨领域评估,同时提供一个灵活的在线基准测试,以确保各种方法之间的公平比较。
Oct, 2023
通过引入 RangeLDM,我们提出了一种快速生成高质量 LiDAR 点云的新方法,通过深度生成模型、变分自编码器和扩散模型来解决传统方法中的限制,从而在自动驾驶中获得稳健的表现和快速生成速度。
Mar, 2024
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