Dec, 2023

基于 LiDAR 的自动驾驶验证中的路缘检测

PDF
TL;DR本论文介绍了一种从 LiDAR 传感器捕获的一系列点云中检测三维路缘的方法，该方法包括两个主要步骤：利用分割深度神经网络在每次扫描中检测路缘；然后，利用车辆的里程计数据在重建的点云中估计三维路缘。通过实验证实了该方法的有效性并验证了其可以显著减少手动注释时间并保持数据质量水平。
curb detectionpoint cloudlidar sensordeep neural networkautomated driving
发现论文，激发创造
  • 基于 LiDAR 点云分割的路缘检测框架 CurbNet

    CurbNet 是一种使用点云分割进行路边检测的新型框架，通过利用高度变化来训练模型，采用多尺度和通道注意力模块以及曲线拟合技术，在噪音减少、检测精度提高的同时，实现了卓越的检测性能和鲁棒的泛化能力，创立了新的基准水平。

    Mar, 2024

  • 激光雷达标注就是您所需的

    通过使用卷积神经网络和激光雷达数据，本研究旨在提高图像分割的效率，特别是在自动驾驶系统中的道路表面分割任务中，通过减少标注工作量并在不降低分割质量的情况下训练图像分割模型。

    Nov, 2023

  • 基于 LiDAR 点云技术的 3D 车道检测研究进展：从数据收集到模型开发

    我们提出了一个大规模的三维车道数据集 LiSV-3DLane，其中包含 2 万帧环视 LiDAR 点云，通过丰富的语义注释，捕捉了城市和高速公路环境中的复杂车道模式。为了解决稀疏的 LiDAR 数据在车道标注中的问题，我们利用车道线的几何特征和 LiDAR 数据的固有空间属性，设计了一个简单而有效的自动标注流程。我们还提出了一种新颖的基于 LiDAR 的三维车道检测模型 LiLaDet，将 LiDAR 点云的空间几何学习融入到基于 Bird's Eye View（BEV）的车道识别中。实验结果表明，LiLaDet 在 K-Lane 数据集和我们的 LiSV-3DLane 上的三维车道检测任务中优于现有的基于摄像头和 LiDAR 的方法。

    Sep, 2023

  • 利用激光雷达点云的端到端三维物体检测

    无人驾驶车辆中的目标检测与跟踪任务主要依靠相机和 LiDAR 等多种传感器，本研究在使用 LiDAR 点云的新编码方式基础上，通过推断自动驾驶车辆附近不同类别物体的位置，实现了对场景中物体位置和方向的预测。

    Dec, 2023

  • 提升城市交通管理：用于数据收集和高级目标检测分析的高架式 3D 激光雷达

    本论文介绍了一种利用提升式激光雷达（LiDAR）传感器的能力，通过转变交通场景中的三维物体检测和分析的框架来改善在城市环境中的三维物体检测能力。利用模拟器生成三维点云数据集，通过训练和评估三维物体检测模型，准确识别和监测模拟城市交通环境中的车辆和行人。针对由模拟交通生成的大量点云数据，优化了基于点体素区域的卷积神经网络（PV-RCNN）架构，提升了其处理和理解能力。实验结果表明所提出的解决方案在准确检测交通场景中的物体方面的有效性，并强调了激光雷达对提升城市安全和推动智能交通系统的作用。

    May, 2024

  • 低分辨率 LiDAR 数据下的 3D 物体检测与高分辨率交通参数提取

    本研究提出了一种创新的框架，通过使用单个 LiDAR 系统、点密度填充和零样本学习技术，以及提取感兴趣对象的高低、加速度和速度等特征，实现了交通流量数据收集、物体检测和自动生成立体包围盒的自动化，从而克服了多个 LiDAR 系统和复杂的立体标注过程的限制。

    Jan, 2024

  • 基础模型可靠地辨识空间危险吗？以路缘分割为案例研究

    该研究通过设计最大的路缘分割数据集来研究基础模型在路缘分割中的有效性，并发现现有的基础模型在路缘分割方面存在着显著挑战，因为其高误报率和无法快速提供实时辅助，因此提出了筛选边界框的解决方案来实现更准确的路缘分割。总体来说，虽然基础模型具有立即的灵活性，但在实际的辅助技术应用中仍需要改进，并强调了专门的数据集和量身定制的模型训练来解决 PBLV 的导航挑战，并凸显了基础模型的隐含弱点。

    Jun, 2024

  • 基于系统的 DL 市区行驶走廊探测器自动地面实况生成方法

    本文提出一种自动标注的方法，用于驾驶车道的语义分割并优化数据循环以不断改进感知模块，从而减少传统标注方法的手动成本，并解决数据驱动感知领域的关键问题之一。

    Jul, 2022

  • 自动标记生成的城市驾驶遮挡感知 2D 和 3D 中心线检测

    本研究旨在探索和确定在高度动态的城市驾驶场景下确定 2D 和 3D 的道路拓扑信息的策略。为了促进这一探索，我们引入了一个庞大的数据集，包含近 100 万个自动标记的数据帧。我们的研究的一个重要贡献在于开发了一个自动生成标签的过程和一个遮挡处理策略，该策略旨在模拟从轻微的中断到严重的阻塞的各种遮挡场景。此外，我们进行了全面的消融研究，开发和评估了多种中心线检测方法。这种分析不仅评估了各种方法的性能，还提供了宝贵的对这些方法可解释性的见解。最后，我们演示了我们的方法的实用性，并评估了它们在不同传感器配置下的适应性，突出了它们在实际场景中的多功能性和相关性。我们的数据集和实验模型是公开可用的。

    Nov, 2023

  • 无标签激光雷达扫描移动对象检测学习

    该研究提出一种基于未标记数据、仅使用简单常识启发式方法，无需人工标注就能自我训练出一种高度准确的 3D 物体探测器，从而实现将自动驾驶技术应用到全球各地。

    Mar, 2022