LiDAR 点云中异常检测
本文提出了一种利用基于能量的框架进行异常点检测的新方法,可以准确识别复杂气象条件下 LiDAR 数据中的噪声,有效提高自动驾驶车辆的可靠性。在广泛的实验中,该方法在异常气象检测方面的表现优于当前最先进的方法,具有更高的鲁棒性,并且可以用于同时进行异常点检测和语义分割。为了推进气象复杂条件下 LiDAR 感知的研究领域,我们还发布了 SemanticSpray 数据集。
May, 2023
本文提出了基于卷积神经网络的滤波方法,以改善在恶劣天气条件下激光雷达的场景理解表现,并且证明该方法能通过在控制天气环境下的大规模数据集上训练,显著提高性能。
Dec, 2019
该论文提出了一种标签效率的方法,通过使用少量已标记示例来学习从非常少量标记的点云中分割恶劣天气的点,并利用半监督学习方法生成伪标签,从而显著增加训练数据量,同时还在训练过程中整合了好的天气数据,从而在良好和恶劣天气条件下均能取得高性能。在真实和合成数据集上的结果显示,我们的方法在检测雪、雾和水雾方面表现良好。此外,我们在使用的标记数据只有一小部分的情况下,实现了与完全监督方法相竞争的性能。
Jun, 2024
通过使用先进的天气监测网络来过滤喷雾,这篇研究提出了一个框架来提高基于 LiDAR 的 3D 物体检测器对泥水喷溅的抗扰动能力,并且进一步探索了雷达目标的应用来过滤误检。实际数据测试表明,该方法改善了多个热门的 3D 物体检测器对泥水喷溅的稳健性。
Oct, 2023
在这篇论文中,我们讨论了在恶劣天气条件下使用 LiDAR 传感器的环境感知问题,包括处理原始点云,去噪,多传感器融合等方面,发现和解决了当前研究中存在的缺陷和问题,并提出了未来值得研究的方向。
Apr, 2023
通过物理学模拟,提出一种蒙特卡罗混合方法用于模拟恶劣天气下的 LiDAR 点云数据,从而扩展所有天气条件下目标检测器的可靠性,并表明相对于现有模型,在现实世界的雨天场景中,模型的性能有了显著改进。
Jul, 2021
本文阐述了在恶劣天气条件下,特别是大雨和浓雾下,汽车激光雷达传感器的性能表现和探测方法。通过数据分析,提出了一种新的只基于激光雷达探测雨雾的方法,并取得了显著的效果。研究表明,这些探测技术可以提高自动驾驶在恶劣天气条件下的安全性。
Jun, 2019
该论文系统地回顾了现有的深度学习体系结构在 LiDAR 点云中的应用,包括用于自动驾驶的特定任务如分割、检测和分类,并总结了近五年来超过 140 个重要贡献,包括 3D 深度架构、3D 语义分割、目标检测和分类方面的深度学习应用以及特定的数据集、评估指标和最新的性能。最终,我们总结了剩余的挑战和未来研究方向。
May, 2020
基于 LiDAR 的语义场景理解是现代自动驾驶感知系统中的一个重要模块。然而,LiDAR 点云中的区分开分布点 (OOD) 是具有挑战性的,因为与 RGB 图像相比,点云缺乏语义丰富的特征。我们从选择性分类的角度重新审视了这个问题,该分类在标准的封闭集分类设置中引入了一个选择性函数。我们的解决方案基于一种基本思想,即避免选择任何已知类别,而是以边际损失学习点处的避免惩罚。为了近似无限的 OOD 样本,合成异常点对于这个思想也至关重要,因此我们提出了一个强大的合成流程,可以生成来自各种因素的异常值:不真实的对象类别,采样模式和尺寸。我们证明了在不同类型(合成)异常值的不同点处避免惩罚可以进一步提高性能。我们在 SemanticKITTI 和 nuScenes 上对我们的方法进行了基准测试,并取得了最先进的结果。风险覆盖分析进一步揭示了不同方法的固有特性。代码和模型将公开提供。
Sep, 2023
本文介绍了两种动态滤波方法 (DMNR 和 DMNR-H),这些方法通过对 WADS 和 DENSE 数据集上杂点和干净点的位置和强度进行准确分析,提高了在气候恶劣条件下检测系统的性能。两种方法的表现优于传统的无监督方法,并且比基于深度学习的监督方法略胜一筹,同时对于不同的 LiDAR 传感器和飞行物 (如雪和雾) 更为鲁棒。
May, 2023