基于深度语义分割和新型异常值检测的改进 LiDAR 里程计与建图
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
本文提出了一种基于多个传感器的语义定位算法,利用车道,交通标志和车辆动态等信息,以贝叶斯滤波框架为基础,实现对稀疏语义地图的鲁棒定位,相较于传统基于几何学和 LiDAR 强度的定位器所需的储存空间降低了数个数量级,并且证明了其在 312 公里公路数据集上能够获得 0.05m 的横向精度和 1.12m 的纵向精度。
Aug, 2019
提出了一种新颖的轻量级视觉语义定位算法,通过稳定的语义特征代替低级纹理特征,结合离线构建的语义地图和在线的数据关联实现实时的自动驾驶定位。实验结果表明,该方法在各种自动驾驶定位任务中是可靠且实用的定位解决方案。
Jun, 2024
提出了一种多用途的自监督 LiDAR 里程计估计方法,该方法在训练期间有选择地应用几何损失,无需任何标签或地面数据,适用于精度难以获得的应用中的姿态估计。
Nov, 2020
本文提出了一种移动视觉系统的实时语义地图构建方法,采用 2D 到 3D 对象检测流程和快速数据关联,将关联检测作为语义约束引入 SLAM 系统进行姿态校正,通过本文提出的观测对象局部关联处理和基于不确定性贪心关联的方案,平均迭代时间达到了 65ms,实验结果表明在公共数据集上能够使现有的 SLAM 系统姿态估计提高 68%。
Mar, 2022
本文旨在研究基于传感器融合技术的三维语义分割,将 RGB 图像转化为 LiDAR 所使用的极坐标网格映射表示,并设计了早期和中期融合架构,同时提出了融合两种算法的混合融合结构。在 KITTI 数据集中评估了所提出算法的效果,并相对于仅使用 LiDAR 的基线模型,在两种最先进的算法 SqueezeSeg 和 PointSeg 上分别提高了 10% 的分割精度。
Jun, 2019
本研究提出了一种自监督学习方法用于激光雷达帧的语义分割,通过结合 SLAM 和光线追踪算法实现自动化注释,训练预测机器人移动场景中的固定结构和可动目标的深度学习模型,同时改进机器人的导航和本地化性能,为机器人导航和目标定位提供了新的途径。
Dec, 2020
本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法,使用隐式表示进行建模。通过浅层多层感知机(MLPs)从隐式特征解码出语义信息和有符号距离值,并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化,最后利用 Marching Cubes 算法对场景进行推断阶段的细分和可视化。与当前最先进的 3D 建图方法相比,我们的框架在三个真实数据集,SemanticKITTI,SemanticPOSS 和 nuScenes 上表现出了很高的效果和效率。
Nov, 2023
通过引入一种基于深度学习的实时 LiDAR 测距法,我们可以联合学习准确的帧间对应关系和模型的预测不确定性,从而为定位预测提供安全保护的证据,同时通过部分最优 LiDAR 特征描述符转换和联合学习的方式提高位置估计的鲁棒性,并展示了预测不确定性能如何在需要时作为位置图优化的证据,在 KITTI 数据集上验证了方法的竞争性性能和优越的泛化能力。
Aug, 2023
通过使用 LiDAR 传感器和场景语义,我们提供了一种新的仅依靠 LiDAR 传感器的增强型原始扫描的稠密伪点云框架,无需摄像机,该框架首先利用分割模型从原始点云中提取场景语义,然后使用多模态的域转换器生成伪图像分割和深度提示,从而生成一种富含语义信息的稠密伪点云,并通过引入新的语义引导投影方法增强检测性能。
Sep, 2023