Jun, 2023

NeMO: 神经地图增长系统用于鸟瞰图和 BDD-Map 基准的时空融合

PDF
TL;DR本文提出了一种名为 NeMO 的新型范例，通过使用可读写的大地图、基于学习的融合模块和两者之间的交互机制来生成本地地图，该方法支持更长的时间序列融合和长程的 bird's-eye 视图本地地图生成，并通过 NuScenes 和 BDD-Map 数据集的实验，证明了 NeMO 优于最先进的地图分割方法。
autonomous driving systemsbird's-eye viewlocal mapsneural networkmap segmentation
发现论文，激发创造
  • 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

  • BEV-Locator: 一种使用多视角图像的端到端视觉语义定位网络

    本文提出了一种基于多视角摄像机图像的端到端视觉语义定位神经网络 BEV-Locator，并通过大规模 nuScenes 和 Qcraft 数据集的实验结果证明该方法能够有效地关联来自多视角图像和全局语义地图的跨模态信息，可以在多种场景下估计车辆姿态，实验结果表明其横向、长向平移和航向角度的平均绝对误差分别为 0.052m，0.135m 和 0.251 度。

    Nov, 2022

  • UniFusion：用于鸟瞰图空时表示的统一多视角融合变压器

    本文提出一种新的空时融合 BEV 表征方法，可支持长距离融合，具有时变自适应权重，有效避免传统方法中的信息丢失和充分利用功能，同时实现地图分割任务的最优性能。

    Jul, 2022

  • 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

  • U-BEV: 高度感知的鸟瞰图分割与基于神经地图的重定位

    提出了一种名为 U-BEV 的神经网络架构，通过多个高度层次的场景推理和 SD-map 数据的可微模板匹配，有效改善了车辆重定位性能。该方法在 nuScenes 数据集上的实验结果显示，相较于其他相似复杂度的基于 BEV 和 Transformer 的方法，综合性能提高了 1.7-2.8 mIoU，重现率提高了超过 26%。

    Oct, 2023

  • 路灯旁的行人：自适应对象图在实时地图制作中的应用

    本文提出了一种基于图神经网络的方法，通过对于场景中物体的空间关系，从单目图像中预测出鸟瞰地图中的物体，从而解决了现有基于纹理的模型在距离摄像机较远时定位错误率增加的问题，并在三个大规模数据集上取得了最新的最佳结果，包括了相对于 nuScenes 数据集上 50% 的提升。

    Apr, 2022

  • 将车辆映射到鸟瞰图中的学习

    本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

    Jun, 2017

  • MV-Map: 多视角一致性离线高精度地图生成

    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。

    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

  • 揭示过去信息：合作式鸟瞰预测的时态嵌入

    通过将历史线索整合到当前 BEV 地图中，TempCoBEV 能够在协作感知中改进 BEV 地图分割的质量和可靠性。在 OPV2V 数据集上进行的广泛实验表明，TempCoBEV 在预测当前和未来的 BEV 地图分割方面比非时态模型表现更好，特别是在涉及通信故障的情景中，其整合历史线索到当前 BEV 地图的能力使预测结果在最佳通信条件下提高 2%，在通信故障下提高 19%。

    Jan, 2024