Jul, 2023

文物映射：多模态语义映射用于物体检测和 3D 定位

PDF
TL;DR提出一个利用多模态传感器融合的方法，能够在一个已知环境中，通过理解该环境搭配环境地图，准确地检测和定位预设物体和障碍物，并相比于单一的传感器能够更准确地检测远处和近处的障碍物。
geometric navigationsemantic mappingmulti-modal sensor fusionenvironment understandingobstacle detection
发现论文，激发创造
  • 三维实例感知语义映射与三维物体发现

    该文提出了一种用于机器人地图实时构建的方法，其中，在实时扫描的同时，使用语义实例识别和多帧数据关联技术来构建基于物体的语义地图。评估结果表明，该方法能够有效地识别和跟踪预测的物体实例，并与最先进的方法竞争。

    Mar, 2019

  • 智能选择：自适应多模态融合在不稳定环境下的物体检测

    我们提出了一种自适应融合方法，使用多种传感器，通过卷积神经网络专家的混合来学习权衡不同传感器的预测，该方法可适应于不同光照和摄像机运动模糊等影响。我们测试了该方法在室内和室外的人体检测，并证明了其可适应困难环境，同时，我们还提出了一个新的混合室内外环境中的 RGB-D 数据集，可供参考。

    Jul, 2017

  • 面向对象语义地图的有意义地图绘制

    本文讨论了智能机器人如何同时理解环境的几何和语义属性，以构建包含物体级别实体和基于点或网格的几何表示的环境地图。作者的系统结合 RGB-D SLAM、深度学习目标检测和 3D 非监督分割等技术，同时构建几何点云模型和包含这些物体模型的地图。

    Sep, 2016

  • RGB-D 目标检测与语义分割用于杂乱环境中的自主操作

    通过利用深度融合技术和深度学习的物体检测和语义分割算法，我们成功地解决了在复杂场景中感知目标物体的问题，并在 Amazon Picking Challenge2016 和紧急响应场景数据集上进行了验证。

    Oct, 2018

  • 一种多模式用于单模式视觉地点分类的方法

    本文提出一种使用伪深度测量的多模态 RGB-D 分类方法，通过多传感器融合方法和最新的域不变单目深度估计技术，克服了单模态 RGB 图像分类易受空间外观变化以及季节、天气、照明等域变化干扰导致精度下降的问题，并通过公共 NCLT 数据集进行跨域场景实验，证明了所提出的分类框架的有效性。

    May, 2023

  • 单目 SLAM 的半稠密三维语义映射

    本论文将最新的深度学习方法与基于视频流的半稠密 SLAM 相结合，在室内 / 室外数据集中得到了更好的 2D 语义标签识别，无需针对序列中的每一帧获得语义分割，其时间复杂度也得以合理控制。

    Nov, 2016

  • 多模态虚拟点 3D 检测

    通过无缝融合 RGB 传感器到 Lidar 的 3D 识别中，我们提出了一个简单而有效的多模态检测器，该方法利用一组 2D 检测生成密集的虚拟 3D 点，能够增强原来稀疏的 3D 点云，实验结果在大规模 nuScenes 数据集上取得了显着的改进，并超过了竞争融合方法。

    Nov, 2021

  • MEM：机器人和学习的多模态高程建图

    本文扩展了一个 2.5D 机器人中心的高程图绘制框架，通过融合多源的多模态信息到流行的地图表示形式，解决纯几何信息在许多领域应用中不足的问题，并通过 GPU 实现实时处理能力，展示了多种应用场景。

    Sep, 2023

  • FusionPainting: 多模态融合的自适应注意力应用于 3D 物体检测

    提出了一个称为 “FusionPainting” 的多模态融合框架，它可以在语义级别上融合 2D RGB 图像和 3D 点云以提高 3D 障碍物检测性能，并在 nuScenes 检测基准测试中显示出优于其他现有方法的性能。

    Jun, 2021

  • 实时单目物体感知稀疏 SLAM

    本文在单目 SLAM 框架中嵌入了实时深度学习的目标检测器，将普通物体表示为四面体，进一步细化物体重建，检测附加平面标志并建模为独立地标志，可大幅提高系统的定位性能和语义地图的丰富程度。

    Sep, 2018