Nov, 2023

基于 GAN 的激光雷达强度模拟

PDF
TL;DR开发自动驾驶中，真实车辆传感器模拟是重要的因素。我们提出利用基于数据的方法，使用来自实际测试驾驶的相机图像和 LiDAR 扫描数据训练生成对抗网络，实现相互翻译。通过添加分割数据和密集深度图像的相机图像，以及通过测试真实与合成点云之间物体检测网络的泛化效果评估 LiDAR 模拟性能，我们结合这两种方法，模拟并展示了真实的 LiDAR 点云。
发现论文，激发创造
  • 自动驾驶中基于 GAN 的 LiDAR 传感器建模和数据增强

    通过 CycleGANs 从未配对的数据中进行图像转换，以实现从模拟 LiDAR 到真实 LiDAR（sim2real）的传感器建模，从低分辨率到高分辨率的真实 LiDAR（real2real）的生成以及使用鸟瞰图和极坐标 2D 表示法处理 LiDAR 3D 点云。实验结果表明，该方法具有很高的潜力。

    May, 2019

  • LiDARsim: 通过利用现实世界，实现逼真的激光雷达模拟

    本文提出了一种名为 LiDARsim 的模拟器，利用真实数据生成 3D 场景，通过物理模拟和深度神经网络相结合来生成 LiDAR 点云，用于测试感知算法和评估安全场景。

    Jun, 2020

  • SurfelGAN: 自主驾驶实际传感器数据合成

    本文提出一种利用少量激光雷达和摄像机数据生成真实场景传感器数据的方法，使用 SurfelGAN 网络重建逼真的相机图像对自主驾驶车辆和场景中移动物体的新位置和方向进行模拟，并在 Waymo 开放数据集上演示其有效性。

    May, 2020

  • 基于鸟瞰 LiDAR 点云数据的车辆检测领域自适应

    本研究通过提出基于 CycleGAN 架构的域自适应框架，在从真实 3D LiDAR 传感器获取的鸟瞰（BEV）点云图像上检测车辆时，将合成的点云数据与真实点云数据之间的领域转移缩小，相对于常规方法提高了超过 7% 的平均精确度分数。

    May, 2019

  • 自动驾驶增强型激光雷达模拟器

    本文提出一种新的 LiDAR 模拟器，可有效解决困扰自动驾驶车辆的障碍物检测问题。该模拟器通过添加合成障碍物并在背景点云基础上生成注释点云，可以自动为检测器提供训练数据，使其在深度学习中表现出色，并可以实现大规模工业应用。

    Nov, 2018

  • Real-Aug: 用于 3D 对象检测的 LiDAR 仿真增强的真实场景合成

    本文提出 Real-Aug，一种基于综合数据生成的数据增强方法，重视生成真实的 LiDAR 扫描，以及系统地验证其对各种探测器和数据集的有效性。

    May, 2023

  • 基于对比学习的自动驾驶系统激光雷达点云的仿真 - 到 - 真实映射框架

    该研究论文探讨了基于学习的模型在模拟环境中将 Lidar 点云数据转换成高质量真实数据的 Sim-to-Real 映射方法，并与图像转换方法进行了广泛的评估，结果表明基于对比学习的 CLS2R 框架在几乎所有度量指标上表现出优越性能。

    Dec, 2023

  • 面向 LiDAR 强度模拟的物理感知深度学习架构

    自主驾驶车辆（AV）的研究中，通过深度学习框架在物理模态内结合激光雷达入射角度的方法，提高了激光雷达强度模拟的准确性，并通过比较分析验证了使用深度学习的两种架构（U-Net 和 Pix2Pix）进行强度预测任务时，Pix2Pix 架构在结合入射角度时性能优于 U-Net。

    Apr, 2024

  • 生成的 LiDAR 点云的逼真度指标

    本文提出了一种基于代理分类任务训练得到的新指标，用于量化 LiDAR 点云数据的逼真度，并利用该指标来确定生成的 LiDAR 数据的逼真度，并将该指标的逼真度估计与分割模型的性能表现进行了比较。

    Aug, 2022

  • 探索在驾驶数据合成中的生成式人工智能应用

    通过三种不同的生成式人工智能方法应用驾驶模拟器中的语义标签图作为创建真实数据集的桥梁，本文比较分析了这些方法的图像质量和感知能力，产生了包括驾驶图像和自动生成的高质量注释的新合成数据集，证明了扩散式方法可以提供改进的稳定性和解决 Sim2Real 挑战的替代方法。

    Apr, 2024