自动驾驶中的 3D 物体可见性预测
本文旨在填补 3D 对象检测在自动驾驶中的知识空白,综述了相关领域的传感器、数据集、性能度量以及最新的检测方法,分析了其优劣,并进行了定量比较和案例研究,最后总结了研究成果和未来发展方向。
Jun, 2021
本文综述了自动驾驶技术中感知系统中重要的一环 - 三维物体检测的研究进展以及应用,包括基于激光雷达和基于相机的方法,并分析了各自的优缺点和潜在的应用场景。
Jun, 2022
在现代自动驾驶领域中,感知系统是不可或缺的,它可以准确评估周围环境的状态,从而实现知情预测和规划。本研究重点研究了感知系统的鲁棒性、准确性和延迟性在实际情况下的评估,通过对基于摄像头、LiDAR 和多模态的 3D 物体检测算法进行全面评估,特别是在 KITTI-C 和 nuScenes-C 等数据集上进行公平比较,发现多模态的 3D 检测方法表现出更强的鲁棒性,并引入了一个新的分类系统以提高文献的清晰度。本调查旨在为当前三维物体检测算法在实际应用中的能力和限制提供更实用的视角,从而引导未来的研究朝向鲁棒性为中心的发展。
Jan, 2024
本文提出了一种在自动驾驶背景下具有多传感器优化的三维目标检测系统,其中单眼相机可以作为二维目标提议和初步三维边界框预测,而立体相机和 LiDAR 则被视为自适应插件传感器以优化 3D 边界框本地化性能。
Sep, 2019
自动驾驶领域的一项新兴感知任务是基于视觉的 3D 占用状态预测,该论文对其背景、挑战、研究进展和未来展望进行了综述,并提供了与该主题相关的论文、数据集和代码的收集。
May, 2024
该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks(MV3D)框架,该框架采用多传感器融合技术,将 LIDAR 点云和 RGB 图像作为输入,并预测有方向的 3D 界限框。实验表明,该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25%和 30%,在 2D 检测中也表现出显著的技术优势。
Nov, 2016
通过在基于体素的网络中添加可见性输入流,结合虚拟物体的合成数据增强和多个时间帧上的 LiDAR 扫描的时间聚合,我们在 NuScenes 3D 检测基准测试中展示了一个状态良好的 3D 检测器整体精度的显着提高。
Dec, 2019
提出了一种基于多视角和弱标签的纯 RGB 序列的自监督 3D 物体检测方法,其在 KITTI 3D 数据集上的性能与使用激光雷达或立体图像的最先进的自监督方法相当。
May, 2023
本文介绍了自动驾驶所使用的流行传感器、它们的数据性质以及相应的目标检测算法。还讨论了用于评估多模态 3D 目标检测算法的现有数据集。接着对基于多模态融合的 3D 检测网络进行了回顾,并介绍了它们的融合阶段、融合输入和融合粒度以及这些设计选择如何随着时间和技术而演变。最后讨论了面临的挑战以及可能的解决方案。希望本文能帮助研究人员了解多模态 3D 目标检测领域并进行相关研究。
Jun, 2021
本文提出了一种基于立体视觉的方法,用于在动态自动驾驶情景下跟踪摄像机姿态和三维语义对象,该方法使用易于标注的二维检测和离散视点分类结合轻量级语义推理方法获取粗略的三维物体测量,并基于当前的物体感知相机姿态跟踪实现物体位置的估计与 3D 建模以获得精确度和时间一致性。
Jul, 2018