利用边缘和云端技术进行基于 V2X 的自动驾驶实时物体检测
近期,随着计算机视觉的不断进步,自动驾驶很可能很快将成为现代社会的一部分。然而,仍然有许多需要解决的问题。本研究评估了我们先前提出的高效行人检测器 LSFM 在多样化的天气条件和夜间场景等经典自动驾驶测试中的稳健性,并将其扩展应用于交通场景中实时物体检测,同时提出了适用于自动驾驶的更合适的实时性能指标。
Jan, 2024
这篇论文研究自动驾驶中的实时视频物体检测问题,提出了一种基于流式预测的新型深度学习方法,该方法使用双流动态静态感知模块(DFP)来捕捉运动趋势和基本检测特征,并引入趋势感知损失(TAL)和趋势因子来产生适应性权重,进而优化移动车辆物体的检测结果。
Mar, 2022
事件相机在自动驾驶中利用事件数据进行目标检测具有竞争优势。该论文提供了事件相机在自动驾驶中目标检测的概述,强调了事件相机的低延迟和轻量级架构的竞争性优势。
May, 2024
本文综述了自动驾驶技术中感知系统中重要的一环 - 三维物体检测的研究进展以及应用,包括基于激光雷达和基于相机的方法,并分析了各自的优缺点和潜在的应用场景。
Jun, 2022
本文介绍一种新的通过点云序列检测车辆 3D 物体的方法,采用 LiDAR 传感器解决阴影效应与 HD 地图配合,并使用 V2X 通信技术提高车辆感知性能,同时优化带宽性能.
Jul, 2023
本文探讨了在自动驾驶系统中,如何使用不同的传感器进行环境检测,并比较了使用不同传感器的准确性表现,结果表明虽然传感器融合可以获得更准确的检测结果,但仅使用激光雷达可以在减少通道负担的同时实现类似的结果。
Apr, 2021
在现代自动驾驶领域中,感知系统是不可或缺的,它可以准确评估周围环境的状态,从而实现知情预测和规划。本研究重点研究了感知系统的鲁棒性、准确性和延迟性在实际情况下的评估,通过对基于摄像头、LiDAR 和多模态的 3D 物体检测算法进行全面评估,特别是在 KITTI-C 和 nuScenes-C 等数据集上进行公平比较,发现多模态的 3D 检测方法表现出更强的鲁棒性,并引入了一个新的分类系统以提高文献的清晰度。本调查旨在为当前三维物体检测算法在实际应用中的能力和限制提供更实用的视角,从而引导未来的研究朝向鲁棒性为中心的发展。
Jan, 2024
提出面向智能互联汽车的点云特征协同感知框架 (F-Cooper),通过特征融合,实现了目标检测精度的提升,并在进行实时边缘计算的同时,避免了网络拥塞和通信延迟的问题。
Sep, 2019
本文提出一种新的协同三维物体检测框架,通过利用空间分布式传感器所提供的信息来辅助自动驾驶系统中的感知精度,同时避免因事先的通信方案导致通信拥堵和 / 或性能受限的问题。通过两个复杂的驾驶场景的实验结果和带宽使用分析,证明了该方法可以在各种检测困难情况下节省通信和计算成本,并显著提高检测性能。
May, 2022