May, 2023

DMNR: 无监督除噪被空中颗粒污染的点云

PDF
TL;DR本文介绍了两种动态滤波方法 (DMNR 和 DMNR-H)，这些方法通过对 WADS 和 DENSE 数据集上杂点和干净点的位置和强度进行准确分析，提高了在气候恶劣条件下检测系统的性能。两种方法的表现优于传统的无监督方法，并且比基于深度学习的监督方法略胜一筹，同时对于不同的 LiDAR 传感器和飞行物 (如雪和雾) 更为鲁棒。
lidar sensorsautonomous drivingdynamic filteringinclement environmental conditionsrange measurements
发现论文，激发创造
  • 逆境天气下，基于 CNN 的激光雷达点云去噪

    本文提出了基于卷积神经网络的滤波方法，以改善在恶劣天气条件下激光雷达的场景理解表现，并且证明该方法能通过在控制天气环境下的大规模数据集上训练，显著提高性能。

    Dec, 2019

  • SLiDE: 基于重建的自监督激光雷达去雪技术

    该研究提出了一种新的自监督学习框架来去除 LiDAR 点云中的雪点，并取得了最先进的无标签方法的性能，同时也可以作为一种先前任务来提高有监督训练的标签效率。

    Aug, 2022

  • 恶劣天气条件下激光雷达点云的标签高效语义分割

    该论文提出了一种标签效率的方法，通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点，并利用半监督学习方法生成伪标签，从而显著增加训练数据量，同时还在训练过程中整合了好的天气数据，从而在良好和恶劣天气条件下均能取得高性能。在真实和合成数据集上的结果显示，我们的方法在检测雪、雾和水雾方面表现良好。此外，我们在使用的标记数据只有一小部分的情况下，实现了与完全监督方法相竞争的性能。

    Jun, 2024

  • 面向多雨条件下的鲁棒三维物体检测

    通过使用先进的天气监测网络来过滤喷雾，这篇研究提出了一个框架来提高基于 LiDAR 的 3D 物体检测器对泥水喷溅的抗扰动能力，并且进一步探索了雷达目标的应用来过滤误检。实际数据测试表明，该方法改善了多个热门的 3D 物体检测器对泥水喷溅的稳健性。

    Oct, 2023

  • 混杂空中 LiDAR 点云的目标分割

    本文提出了一种基于深度学习的 LiDAR 点云数据目标检测和分割方法，采用了 PointNet 网络模型，成功实现了对各种形状复杂、点云分布不均匀的人工目标（如电力塔）的高效检测和分割。

    Oct, 2022

  • LiDAR 点云中异常检测

    通过分析 LiDAR 点云特征，我们提出了一种新颖的方法来检测生成异常点云的 LiDAR，该方法基于纯数学分析开发了一个点云质量度量标准，无需标记或训练，可实现快速部署，这能够监测 LiDAR 数据中的异常以提高自主安全性，或离线进行大规模数据的深入研究。我们使用不同扫描机制和激光光谱采集的大量真实公路数据对该方法进行了研究，并证明其能够有效处理各种已知和未知的点云异常来源。

    Jul, 2023

  • 自主异构机器人系统的高效实时烟雾过滤与搜救

    提出一种基于强度和空间信息的新型模块化通用滤波流程，用于消除探测到的烟雾颗粒物，实现移动机器人在困难和无结构的亚地下环境中的安全自主导航。

    Aug, 2023

  • 从被高浓度杂质颗粒污染的地下恶劣环境中获取的多模态数据集，用于前沿探索

    本文介绍一种多模式数据集，可用于验证在无法使用全球导航卫星系统（GNSS）的环境中自主导航的算法性能。数据集内容包括船上各种传感器的测量值，其中需要注重船舶 LiDAR 测距仪度测量数据的有效性，并介绍各种传感器系统的详细特性。

    Apr, 2023

  • 全息降噪：无监督学习三维点云清理

    本文探讨了基于无监督学习的 3D 点云去噪方法，通过在无结构的 3D 点云上引入空间先验项的方式，实现了对噪声的准确降噪。

    Apr, 2019

  • 稀疏不规则点云的语义分割用于叶子 / 木材区分

    使用 Pointnet ++ 模型及创新的采样策略和损失函数，该研究提出了一种基于光学遥感技术 LiDAR 和无人机采集的点云数据的神经网络模型，该模型可以有效地区分森林里木质和叶状物的点，以提高其应用场景中的精确性和可靠性。

    May, 2023