自动驾驶车辆和机器人需要在各种不同的场景中高效而安全地完成任务。本研究介绍了一种基于自我监督单目深度和自我运动学习原理的外参标定新方法,其利用单目深度估计器和姿态估计器结合速度监督对外参进行估计,并联合学习附加在移动车辆上的一组重叠相机的外参标定。实验结果表明,与传统的基于视觉的姿态估计流水线相比,我们的方法能够在各种场景中稳健且高效地实现自我标定,并展示了通过联合优化改进深度估计的外参自校准的优势。
Aug, 2023
通过利用街景图像重建度量的三维模型并精确校准 100 多个全球交通摄像头,本研究展示了一个可扩展的框架,以解决基于野外摄像头的精确校准挑战,并通过提取信息进行交通分析,从而开发出利用室外摄像头进行自动分析的潜力。
Nov, 2023
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
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
我们提出了一个鲁棒的外参标定方法,用于自动地进行地理参考相机标定,不需要人与信息交互,同时也不限制其他道路用户通行,我们通过在合成数据集和实际交叉口以及实现对真实基础设施的标定,演示了方法的可行性和准确性。
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
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
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。
本论文提出使用一个深度卷积神经网络直接推断相机标定参数,其优于各种其他方法,包括最近的基于深度学习的方法,并通过人类感知研究展示其实用性。
Dec, 2017