Sep, 2023

MEM：机器人和学习的多模态高程建图

PDF
TL;DR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。
elevation mapsmulti-modal informationrobot-centric elevation mapping frameworkfusion algorithmsreal-time capable
发现论文，激发创造
  • 文物映射：多模态语义映射用于物体检测和 3D 定位

    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。

    Jul, 2023

  • SemanticFusion：基于卷积神经网络的密集 3D 语义地图构建

    使用卷积神经网络和密集同时定位和建图（SLAM）系统来将视觉感知转化为语义映射，实现在室内 RGB-D 视频帧之间的长期稠密对应以及在多个视点上的概率融合，从而生产有用的 3D 语义地图。

    Sep, 2016

  • 从图像中预测长距离自主越野导航的高程地图

    基于学习的方法利用仅通过机载自我中心图像实时预测长距离地形高程图，在复杂和非结构化地形中实现自主越野机器人导航，并优于现有方法。

    Jan, 2024

  • 基于网格的三维纹理城市建模

    在自动驾驶时代，本文介绍了一种基于图像和激光雷达数据的三维城市地图构建算法及其纹理映射实现的方法，并在 KITTI 数据集上进行了表现评估。

    Aug, 2017

  • 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

  • ConceptFusion: 开放式多模态 3D 地图

    ConceptFusion 是一种基本的开放式多模态场景表示方法，通过集成预先训练的基础模型的能力，可跨越自然语言、图像和音频等多种模式推理和查询，从而实现零训练空间推理，并在保留长尾概念方面表现比监督方法优异 40% 的跨模态三维映射。

    Feb, 2023

  • FRAME：自主地图合并的模块化框架：领域进展

    在本研究中，提出了一种新颖的方法，用于在自我中心多机器人探索的背景下合并 3D 点云地图。与传统方法不同，该方法利用先进的地点识别和学习描述符来高效地检测地图之间的重叠，消除了耗时的全局特征提取和特征匹配过程。估计的重叠区域用于计算同一刚体变换，作为 GICP 点云配准算法的初始条件，进一步改善地图之间的对齐。该方法的优势包括更快的处理时间、提高的准确性和对挑战环境的增强鲁棒性。此外，通过多个机器人在各种不同地下环境中的实地任务成功证明了该框架的有效性。

    Apr, 2024

  • 高度和语义的航空影像多任务学习

    本文研究了利用神经网络框架综合分析航空或卫星图像，并展示了其在多任务学习和模型预测不确定性方面的优势。

    Nov, 2019

  • SuMa++：高效 LiDAR 语义 SLAM

    本文提出了一种基于三维激光雷达测距扫描和神经网络对语义信息进行提取的建图及定位方法，实现了对运动物体的有效滤波和语义信息约束下的扫描匹配，与现有基于几何约束的方法相比，实验结果表明其性能更优。

    May, 2021

  • 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