Mar, 2024

优化适应恶劣条件下鲁棒驾驶感知的 LiDAR 布置

PDF
TL;DR通过提出 Place3D 框架，我们针对多雷达感知系统在复杂条件下的鲁棒性问题进行了研究，包括雷达布置优化、数据生成和下游评估，并通过引入 Surrogate Metric of the Semantic Occupancy Grids (M-SOG) 评估雷达布置质量，在多类恶劣环境和传感器故障条件下展现了卓越的稳健性。
driving perception systemsmulti-lidar perceptionlidar placement optimizationsemantic occupancy gridsmulti-condition multi-lidar perception
发现论文，激发创造
  • 多线激光雷达位置对自动驾驶物体检测的影响研究

    本研究从物理设计的角度出发，研究多个 LiDAR 的不同布置对深度学习算法在 LiDAR 感知中的影响，并通过新的数据采集，检测模型训练和评估框架在 CARLA 模拟器中验证了感知性能。结果表明，3D 点云基础的目标检测中，传感器的放置是至关重要的，会导致 AP 的 10% 性能差异。

    May, 2021

  • 优化自动驾驶路旁 LiDAR 部署位置

    该论文提出了一种优化道路激光雷达 (LiDAR) 布置的方法，通过在场景中选择优化位置以提升感知性能。使用基于感知增益的贪婪算法，顺序选择可以最大化感知增益的位置。为了获得感知能力，提出了一种感知预测器来仅使用单个点云帧评估 LiDAR 布置，同时创建了一个名为 Roadside-Opt 的数据集来促进研究道路激光雷达布置问题。

    Oct, 2023

  • 自动驾驶中的鲁棒性感知 3D 物体检测：综述与展望

    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

  • UniLiDAR：消除不同 LiDAR 之间的领域差距以实现持续学习

    该研究旨在发展一种统一模型，能够处理不同的 LiDAR 数据集，实现多个数据集的训练和在异构平台上的部署，通过几何重新对齐和语义标签映射来促进训练并减少性能下降。通过在 OpenOccupancy-nuScenes 和 SemanticKITTI 两个著名数据集上进行全面实验，验证了 UniLiDAR 在填补 LiDAR 领域差距方面的有效性，相比直接合并数据集训练的模型，其占有率预测的 mIoU 分别提高了 15.7% 和 12.5%，并且优于在个别数据集上训练的多种最先进方法。

    Mar, 2024

  • 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

    使用深度学习模型产生语义信息以提高 LiDAR 扫描的点对线和点对面匹配，并构建环境的语义地图，应用于快速移动平台，提高 LiDAR 测距与建图的鲁棒性。

    Mar, 2024

  • 一种用于自动驾驶汽车的最佳 LiDAR 配置方法

    本文旨在研究一种最佳的 LiDAR 配置，通过物理属性建立了感知模型和广义优化模型，并提出基于格点和圆柱的优化方法来解决问题。实验证明，该方法在探测性能方面取得了最优解，也可为研究人员在利用 LiDAR 方面提供指导。

    May, 2018

  • 基于激光雷达 - 相机融合技术的三维目标检测鲁棒性评估

    本研究针对自动驾驶的核心传感器进行研究，发现同时融合相机和 LiDAR 两种模式可以显著提升其性能。然而，由于当前数据集来自于昂贵的数据收集车辆，无法完全反映真实数据分布。 因此，我们提出了一种系统性的鲁棒性基准测试工具包，并在 nuScenes 和 Waymo 中建立了鲁棒性基准测试，针对当前的融合方法进行综合性分析。最后，我们提出了一种高效的鲁棒性训练策略。

    May, 2022

  • 恶劣天气下激光雷达感知调查

    在这篇论文中，我们讨论了在恶劣天气条件下使用 LiDAR 传感器的环境感知问题，包括处理原始点云，去噪，多传感器融合等方面，发现和解决了当前研究中存在的缺陷和问题，并提出了未来值得研究的方向。

    Apr, 2023

  • 自动驾驶汽车应该在何处放置激光雷达？- 一种最优设计方法

    本文研究了实现有效性最大化的 LiDAR 配置问题，提出了一种简单易于评估的成本函数并采用基于立方体的方法，证明了所提出的成本函数是一个适合的代理对象检测率，并使用人工蜂群进化算法计算成本函数，实验证明了该成本函数有效且成本效益配置。

    Sep, 2018

  • 自动驾驶中多传感器感知系统的对抗鲁棒性探索

    本文研究了自动驾驶多模态感知系统在受到对抗性攻击时的鲁棒性问题，揭示了通过添加物理对抗性物体来隐藏不同车辆的可能性，并提出使用特征去噪的对抗性训练方法可以显著提高系统鲁棒性。

    Jan, 2021