May, 2023

MV-Map: 多视角一致性离线高精度地图生成

PDF
TL;DR本文提出了一种名为 MV-Map 的离线管道，能够有效地生成高清地图，并优化了离线管道的流程。通过聚合所有航空预测的帧，根据不确定性网络赋权重，实现了多视图一致性的增强。在 nuscenes 数据集上的实验证明了本文方法有效性的同时，也突显出将 HD-Map 生成过程转移至离线计算的重要性。
bird's-eye-viewhd-mapsoffboardmv-mapmulti-view consistency
发现论文，激发创造
  • 通过前向上视图投影实现单目 BEV 道路场景感知

    提出基于前视单目图像的局部鸟瞰地图重建新框架，利用前向到俯视图像变换（FTVP）模块中的多尺度设计和周期性一致性约束，实现低成本高效的道路与汽车区域感知以及多类别场景理解。在公共基准测试中，该方法在道路布局估计，车辆占用估计和多类别语义估计任务中均达到了最先进的性能，并且在多类别语义估计中优于所有竞争对手。

    Nov, 2022

  • MapVision: CVPR 2024 自主大挑战无地图驾驶技术报告

    自动驾驶无需高清地图，但需要更高水平的场景理解能力。在这项竞赛中，使用多角度相机图像和标清地图来探索场景推理能力的边界。通过加入地图编码预训练和使用 YOLOX 等算法，我们对交通要素进行了更精准的检测，最终实现了 0.58 的 OLUS 评分。

    Jun, 2024

  • M-BEV：面罩 BEV 感知用于稳健自动驾驶

    提出了一种能够在自动驾驶中改善鲁棒性和准确感知的 M-BEV 感知框架，通过随机遮挡和重建相机视图进行端到端训练，从而有效解决一个或多个视图摄像头无法工作的现实场景问题。

    Dec, 2023

  • 辅助车载传感器与卫星地图：高精度地图构建的新视角

    在自动驾驶系统中，通过利用卫星地图作为车载传感器的补充，可以提高高清地图构建方法的性能，并且通过引入分层融合模块，可以有效地融合车载鸟瞰图和卫星图像，在高清地图语义分割和实例检测任务中显著提升了性能。

    Aug, 2023

  • LetsMap：无监督语义 BEV 地图的表示学习

    该研究提出了一种无监督学习方法，从单眼正视图像生成语义鸟瞰地图，以在自动驾驶的各种决策任务中提供强大的遮挡推理能力，其使用了 1% 的标注数据和无额外标记数据，在 KITTI-360 和 nuScenes 数据集上表现与现有最先进的方法相当。

    May, 2024

  • M$^2$BEV：多摄像机联合三维检测和分割，统一鸟瞰视角表示

    本文提出了一个称为 M2BEV 的统一框架，它可以通过多摄像头图像输入在 Birds Eye View（BEV）空间中联合执行三维物体检测和地图分割，是一个高效的方法。实验结果表明，M2BEV 在 3D 对象检测和 BEV 分割方面的性能优于现有技术。

    Apr, 2022

  • 双视角贴图：自动驾驶整体 BEV 语义地图

    提出了一个全局视角和局部先验知识相结合的双映射框架 (Bi-Mapper)，包括异步相互学习策略和横跨空间损失函数 (ASL)，旨在提高自动驾驶系统中道路场景语义理解的可靠性，并在 nuScenes 和 Cam2BEV 数据集上进行了验证。

    May, 2023

  • MapPrior：基于生成模型的鸟瞰地图布局估计

    介绍了一种结合传统判别模型和学习生成模型的新型鸟瞰感知框架 (MapPrior)，可以生成更准确、真实且具有不确定性感知的语义地图布局，并在相机和激光雷达的鸟瞰感知中取得了较强的性能。

    Aug, 2023

  • Zero-BEV：任何第一人称模态的零射击投影到 BEV 地图

    提出了一种新模型，能够对任何第一人称视角的感知模态进行零样本投影到对应的鸟瞰图，该模型通过将几何逆透视投影与模态转换进行解耦合，实验结果表明该模型优于竞争方法，尤其是单目深度估计。

    Feb, 2024

  • HDMapNet：一个在线高精度地图构建与评估框架

    本文介绍 HD 语义地图学习的问题，提出了一种语义地图学习方法 HDMapNet，通过多传感器数据的融合，可以更好地动态地构建地图语义，并且相比于传统基线方法具有更好的性能。

    Jul, 2021