Apr, 2023

利用二次曲面表示法进行 LiDar 里程计、地图绘制和定位

PDF
TL;DR该文提出了一种使用二次曲面描述三维场景的方法，以提高 LiDAR 测距、定位和映射的空间和时间效率。通过分解成稀疏的二次曲面贴片来代替原始点云数据，该方法避免了点对点的最近邻搜索过程，具有更高的存储效率和准确性，适用于 KITTI 和 UrbanLoco 数据集中大容量点云的实验。
lidarquadric surfacesodometrylocalizationmapping
发现论文，激发创造
  • Q-SLAM：基于二次曲面表示的单目视觉 SLAM

    基于四次曲面平面重新构建体积表示，提高了单目 SLAM 中 3D 场景的重建精度和效率，并引入四次曲面分解的 Transformer 来聚合采样点，同时优化姿态估计与 3D 重建。

    Mar, 2024

  • 使用 4D 隐式神经表示在动态环境中进行的 3D LiDAR 地图构建

    基于 LiDAR 扫描序列，我们提出了一种构建动态环境准确地图的新方法，利用四维场景进行稀疏特征格、全局共享解码器和时变基函数的神经表示，用于滤除动态部分并重建准确完整的三维地图。

    May, 2024

  • 紧凑的物体中心 LiDAR 位姿估计对于大尺度户外定位

    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

  • LISNeRF 绘图：基于语义神经场的大规模三维场景基于 LiDAR 的隐式绘图

    本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法，使用隐式表示进行建模。通过浅层多层感知机（MLPs）从隐式特征解码出语义信息和有符号距离值，并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化，最后利用 Marching Cubes 算法对场景进行推断阶段的细分和可视化。与当前最先进的 3D 建图方法相比，我们的框架在三个真实数据集，SemanticKITTI，SemanticPOSS 和 nuScenes 上表现出了很高的效果和效率。

    Nov, 2023

  • 基于视觉定位的高效场景压缩

    本文提出了一种利用约束二次规划方法对 3D 场景重建的子集进行压缩，采用支持向量机的辅助序列最小优化算法来求解，得到准确的摄相机姿态估计。

    Nov, 2020

  • 基于物体检测到的双二次曲线作为路标的物体导向 SLAM

    本文研究了利用多个视角的 2D 目标检测结果，同时估计每个目标的 3D 四面体表面以及相机位置，并提出了利用二次曲面作为 3D 地标描述符的 SLAM 方法，通过新颖的几何误差公式将 2D 目标检测的结果直接约束二次曲面参数；同时，针对目标局部可见性的挑战，开发了一种传感器模型来优化目标检测器的效果，最后使用基于因子图的方法联合估计相机位姿和约束的二次曲面参数。

    Apr, 2018

  • QuadricsNet: 学习点云中几何基元的简洁表示

    该论文提出了一种新颖的框架，用于学习 3D 点云的简洁几何基元表示。与分别表示每种基元不同，我们关注如何稳健地实现简洁且统一的表示问题。我们使用二次曲面来表示包含仅有 10 个参数的多种基元，并提出了首个端到端学习的框架 QuadricsNet 来解析点云中的二次曲面。二次曲面的数学表达与几何属性（包括类型、尺度和姿态）之间的关系被巧妙地集成，以对 QuaidricsNet 进行有效监督。此外，还收集了一个新颖的模式综合的数据集，其中包含二次曲面的分段和对象，用于训练和评估。实验证明了我们简洁表示的有效性和 QuadricsNet 的鲁棒性。我们的代码可在 https://github.com/MichaelWu99-lab/QuadricsNet 获得。

    Sep, 2023

  • SHINE-Mapping: 使用稀疏分层隐式神经表示的大规模 3D 地图绘制

    本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法，并利用二进制交叉熵损失来优化局部特征。在此基础上，设计出一种具有正则化性能的增量式映射系统，以解决连续学习中遗忘问题。实验结果显示，本方法相较其他先进技术具有更高的精确性、完成度和内存效率。

    Oct, 2022

  • CodeSLAM - 学习一种紧凑的、可优化的密集视觉 SLAM 表示

    本文介绍了一种基于单张图像强度数据的密集场景几何表示方法，在单目稠密 SLAM 系统中具有优异的性能表现。

    Apr, 2018

  • LC$^2$: 基于 LiDAR 和相机循环约束的跨模态地点识别

    本文提出一种名为 (LC)$^2$ 的新型交叉匹配方法，通过将 LiDAR 测量值表达为范围图像进行匹配，然后从视差和范围图像中提取本地化描述符来实现无先前点云地图的 LiDAR 本地化，并在姿势图中将最佳匹配作为循环因素，从而通过公共数据集证明了基于 LiDAR 的导航系统可以从图像数据库中优化，反之亦然。

    Apr, 2023