May, 2023

自动驾驶车辆重新定位的跨媒体语义图特征匹配算法

PDF
TL;DR本文介绍了一种名为 CMSG 的新型跨媒体算法，利用语义特征和抽象化语义图节点进行 AV 重定位任务，并在 KITTI 里程数据集上进行了验证实验。实验表明，CMSG 在的准确性可与目前基于单一传感器方法的准确性相当甚至更好，而且速度可达每秒 25 帧（NVIDIA 1080 Ti GPU）
relocalizationmap-basedcross-mediaavsemantic features
发现论文，激发创造
  • 自主车辆的单目语义地图定位

    提出了一种新颖的轻量级视觉语义定位算法，通过稳定的语义特征代替低级纹理特征，结合离线构建的语义地图和在线的数据关联实现实时的自动驾驶定位。实验结果表明，该方法在各种自动驾驶定位任务中是可靠且实用的定位解决方案。

    Jun, 2024

  • 跨视角图像检索之外：使用卫星图像实现高精度车辆定位

    本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

    Apr, 2022

  • 自主车辆感知系统中的摄像机和雷达传感器数据融合的跨领域空间匹配

    该研究论文提出了一种新的方法来解决自主车辆感知系统中相机和雷达传感器融合的三维物体检测问题。该方法基于深度学习的最新进展，并利用了两种传感器的优势来提高物体检测性能。通过使用先进的深度学习架构从相机图像中提取二维特征，然后应用一种新颖的跨域空间匹配方法将这些特征转换为三维空间。然后，使用一种互补融合策略将它们与提取的雷达数据进行融合，生成最终的三维物体表示。通过在 NuScenes 数据集上评估，展示了我们方法的有效性。我们将该方法与单传感器性能和当前最先进的融合方法进行比较。结果表明，该方法在单传感器解决方案上取得了优异的性能，并可以与其他顶级融合方法直接竞争。

    Apr, 2024

  • 使用稠密不确定度估计的视觉跨视图度量定位

    本文使用新型网络结构和更密集的卫星图像描述符进行多模式区域定位，可将度量定位误差中位数相对于同一区域、跨区域和跨时间的现有技术分别降低 51％、37％和 28％。

    Aug, 2022

  • 交叉描述符视觉定位与建图

    本文介绍了解决传统视觉定位和建图中局部特征不一致的问题的第一个原则性解决方案，并在各种手工制作的和学习的特征的最新基准测试中证明了其有效性。

    Dec, 2020

  • 语义跨视图匹配

    本研究提出了一种自动检测和表示 RGB 图像语义信息的方法，以实现与非 RGB 地理信息系统（GIS）进行跨视图匹配，利用由语义概念（如交通标志、湖泊、道路、植被等）分配的图像分割区域进行描述符的设计和匹配。实验证明此方法有效。

    Oct, 2015

  • 视图一致净化：实现准确的跨视图定位

    本文提出了一种细粒度的室外机器人自定位方法，利用可调数量的机载摄像头和易获取的卫星图像；该方法解决了现有的跨视角定位方法因移动物体和季节变化等噪声源的问题；通过从地面和卫星视图中检测一致的关键点和它们对应的深度特征，去除离地物体，并在两个视图之间建立同伦变换，该方式是第一个仅利用视觉的稀疏方法，以提高动态环境下的感知能力；此外，该方法采用空间嵌入方法，利用相机内外参数信息降低纯视觉匹配的歧义性，从而提高特征匹配和姿态估计的准确性。通过在 KITTI 和 Ford Multi-AV Seasonal 数据集上进行大量实验，证明了该方法优于现有的最先进方法，能够实现横向和纵向方向上低于 0.5 米的中位空间准确性误差，以及小于 2 度的中位方向准确性误差。

    Aug, 2023

  • 3D-CVF：使用跨视角空间特征融合生成联合相机和激光雷达特征进行 3D 物体检测

    提出了一种新的深度架构，用于将相机和 LiDAR 传感器融合以进行 3D 物体检测，该方法称为 3D-CVF，通过交叉视图空间特征融合策略，使用自动校准投影将相机和 LiDAR 特征组合，该方法在 KITTI 基准测试中实现了最先进的性能。

    Apr, 2020

  • 使用稀疏语义 3D 地图的视觉定位

    本文提出了一种基于结构和图像的语义匹配方法，能够在诸如季节、亮度、天气和昼夜变化等多种条件下实现准确和稳健的视觉定位，实验证明该方法相较于现有技术有显著的提升。

    Apr, 2019

  • 利用稀疏语义高清地图实现自动驾驶汽车定位

    本文提出了一种基于多个传感器的语义定位算法，利用车道，交通标志和车辆动态等信息，以贝叶斯滤波框架为基础，实现对稀疏语义地图的鲁棒定位，相较于传统基于几何学和 LiDAR 强度的定位器所需的储存空间降低了数个数量级，并且证明了其在 312 公里公路数据集上能够获得 0.05m 的横向精度和 1.12m 的纵向精度。

    Aug, 2019