Dec, 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

PDF
TL;DR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。
perception sensor modelssim-to-real mappinglidar point cloudscontrastive-learning-based sim-to-real mapping frameworkimage-to-image translation methods
发现论文，激发创造
  • 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

  • 无人驾驶系统中基于学习的相机和激光雷达模拟方法综述

    该论文回顾了基于学习的传感器模拟方法和验证方法的最新研究进展，重点关注相机和激光雷达这两种主要类型的感知传感器，并概述了评估感知传感器模型的常用验证技术和目前研究领域中存在的研究缺口。

    Jan, 2024

  • 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

  • 基于 GAN 的激光雷达强度模拟

    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。

    Nov, 2023

  • 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

  • 通过 2D-3D 神经校准自学习 LiDAR 3D 点云

    这篇论文介绍了一种新颖的自监督学习框架，用于增强自动驾驶场景中的 3D 感知。该方法名为 NCLR，专注于 2D-3D 神经校准，一种估计相机和 LiDAR 坐标系统对齐的创新前提任务。通过学习可训练的转换对齐，我们建立了图像和点云数据之间的领域差距，将特征转换成统一的表示空间，以进行有效的比较和匹配，从而实现了图像和点云的整体级别对齐。我们还通过将预训练的骨干网络应用于 LiDAR 的 3D 语义分割、目标检测和泛光分割等下游任务，证明了 NCLR 的有效性。在各种数据集上进行的综合实验证明了 NCLR 相对于现有自监督方法的优越性，并且结果表明，不同模态的联合学习显著提高了网络的理解能力和学习表示的有效性。

    Jan, 2024

  • 从合成到真实激光雷达点云的迁移学习用于语义分割

    通过收集含有准确几何形状和综合语义类别的点云注释的 SynLiDAR，以及设计点云翻译器 PCT，将合成数据转换为真实数据，这极大地提高了点云翻译，为研究 3D 转换提供了高质量的数据来源。

    Jul, 2021

  • 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

  • 基于占据估计的汽车激光雷达自我监督

    本论文提出一种基于自监督学习的点云深度感知模型预训练方法，通过表面重建预训练任务和基于潜在向量的感知头来抓取表面信息的语义片段并提高对象检测和场景语义分割性能。

    Dec, 2022

  • PCGen: 用于激光雷达模拟的点云生成器

    提出了 FPA raycasting 和 surrogate model raydrop 方法来解决 LiDAR 模拟器数据中的噪声和几何限制问题，并使用 SMPL 数据集对虚拟现实行人进行了仿真，利用这个方法进行目标检测模型的训练可以达到与实际数据训练模型类似的结果。

    Oct, 2022