利用学习提高雷达和激光雷达之间的外参精度
所提出的算法通过使用常用的单目深度估计网络和激光雷达点云的几何距离之间的互信息作为外在校准的优化度量来不断自动更新车辆寿命周期内相机 - 激光雷达校准值,而无需校准目标、地面真实训练数据和昂贵的离线优化。
Jun, 2023
无需训练数据、人工设计特征或离线优化的无目标外参校准算法,能够准确、精确且极其鲁棒地融合多个传感器的数据到共同的空间参考框架中,利用几何特征提供了稳健的用于相机 - 激光雷达外参校准的信息度量。
Nov, 2023
在这篇论文中,我们提出了一种新的方法来解决激光雷达 - 相机外部参数标定问题,通过基于一致性学习的隐式重新标定,通过引入外观一致性损失和几何一致性损失来实现激光雷达和相机之间的一致性,进而提高对各种场景的适应性,并在推理过程中实现简单高效的表达,通过全面实验验证了我们的方法的准确性和鲁棒性,为进一步推动该领域的研究与开发,我们将发布我们的模型和代码。
Dec, 2023
基于神经网络和深度学习技术,本文提出了一种自动检测相机与激光雷达之间外参校准情况的算法,并针对该任务生成了一个新的数据集分支 (KITTI dataset) 用于性能测试。该方法可以广泛地应用于智能汽车等领域,这是第一篇关注校准外参重要性的研究工作。
Oct, 2022
本文介绍了 SceneCalib 这一新颖的方法,该方法能够同时自我校准多摄像头与激光雷达传感器之间的外参和内参,无需专门设计标定目标和人为干预,能够适应许多户外环境。此外,该方法还能够通过明确交叉摄像头约束来确保摄像头到激光雷达的外参和摄像头到摄像头的外参是一致的。
Apr, 2023
PseudoCal 是一种基于伪激光雷达概念的新型自校准方法,在自动驾驶车辆和移动机器人的上下文和约定中,能够独立于初始参数估计一次性完成校准,并解决现有方法无法解决的极端情况。
Sep, 2023
本文提出了一种名为 CaLiCa 的深度自校正网络,并针对针孔相机和 Lidar 自动进行校准。利用 KITTI 数据集的实验结果表明,通过单次推论可以实现 0.154 度和 0.059 米的精度,重投影误差为 0.028 像素。
Apr, 2023
本文介绍了一种基于新型假设过滤方案的自动化和地理参考汽车雷达传感器外参校准的方法,该方法不需要车辆的外部修改并且使用从自动驾驶汽车获得的位置数据与过滤后的传感器数据相结合以创建校准假设,这种方法可以正确校准基础设施传感器,从而实现合作驾驶场景。
Jun, 2023
雷达和相机融合在感知任务中具有鲁棒性,通过充分利用两种传感器的优势。本文介绍了一种基于学习的方法来推断与三维物体相关的雷达点的高度,通过引入新的鲁棒回归损失来解决稀疏目标的挑战,并采用多任务训练策略强调重要特征。与最先进的高度扩展方法相比,雷达的平均绝对高度误差从 1.69 米降低到 0.25 米。估计的目标高度值用于预处理和丰富雷达数据,以用于后续的感知任务。集成这些精细的雷达信息进一步提升了现有雷达相机融合模型在物体检测和深度估计任务中的性能。
Apr, 2024
提出了一种基于自监督学习和直接在线优化的方法,通过将三项传感器(相机,雷达和激光雷达)的物理特性和语义信息,综合校准实现无目标的校准,以实现安全可靠的自动驾驶技术。
Jun, 2022