虚拟与真实世界铁路环境下视觉里程计的比较分析
为解决机器人虚拟世界到真实世界的迁移问题,本文提出了一种基于模块化架构、采用语义图像分割作为元表示的深度强化学习方法,实现了 RGB 图像到语义图像段转换。实验结果表明,该架构在避障和目标跟踪任务中表现优异,并在虚拟和真实环境中均明显优于基准方法。
Feb, 2018
本篇论文提出了一种名为 S2R-ViT 的新型视觉转换器的模拟到现实转换学习框架,以解决现有多智能体协作感知算法的模拟与现实数据之间的显著领域差距问题,并进行了公开数据集上的实验证明,其在点云 3D 目标检测方面的性能优于其他方法。
Jul, 2023
本文介绍了一种基于对抗特征调整模型的 3D 室内导航机器人训练方法,通过视觉特征的转换与行为策略的模仿来提高机器人在真实环境中的表现。实验证明该方法能够在不需要额外人工注释的情况下,比基线方法表现提高 19.47%。
Apr, 2019
讨论了激光雷达与传感器融合技术在自动驾驶车辆对象检测和定位方面的显著改进,并通过对最新研究方法的实验分析提出了未来的研究方向。
Feb, 2022
本文介绍了一个在铁路上进行无人驾驶列车运营所需要的技术系统中的关键任务 —— 通过机器学习算法,分析来自红外线、视觉摄像头、激光雷达和雷达等视觉传感器的数据来检测可能的障碍物。文中详细介绍了一种包含多个传感器的数据集 OSDaR23,并强调了其在铁路领域中进行物体检测和其他任务的重要性。
May, 2023
本论文提出了一种新方法,通过模拟自动驾驶汽车感知和预测系统的输出,以可靠地进行运动规划测试,从而取代传统的昂贵且具有较大领域差距的传感器模拟。我们使用真实感知和预测输出与标签数据进行训练,从而预测在线系统的输出。此外,我们的方法以高清地图、边界框和轨迹为输入,可由测试工程师轻松手绘几分钟,这大大提高了可扩展性。通过两个大型数据集的定量实验结果表明,我们可以实现通过模拟来进行现实测试的全面方法。
Aug, 2020
本文研究了使用模拟环境来预测算法在现实世界中的结果。作者分析了 AirSim 模拟器、Unreal Engine 和 Cesium 插件如何生成真实世界位置的数字孪生模型,并探讨了完成分析时的几个技术挑战和解决方案。研究结果表明,Cesium Tiles 环境可以提供高精度的地真几何模型,并且虚拟仿真结果能够准确预测真实结果。因此,使用 Cesium Tiles 环境作为真实实验的虚拟数字孪生将为这些算法提供具有代表性的结果。
Jan, 2024
该论文描述了如何支持应用专家在选择和配置适当的算法和适当的硬件编译路径,在 SLAM(同时定位和制图)应用中实现算法交付的工具和方法,包括系统定量评估 SLAM 算法的工具和方法,自动化的机器学习指导算法和实现设计空间的探索,以及用于优化异构、加速架构的端到端模拟工具。
Aug, 2018
本论文介绍了将最先进的计算机视觉算法应用于自动驾驶赛车的实际挑战和解决方案,包括基于 YOLOv3 的物体检测,姿态估计和双目 / 单目视觉摄像头的时间同步,强调了适用于赛车领域的感知卷积神经网络的修改,姿态估计所使用的损失函数的改进以及亚微秒级相机同步的方法等。我们对该系统进行了彻底实验评估,证明其在实际赛车场景中具有准确性和低延迟性。
Jul, 2020
利用光流线索指导的半监督分割方法解决铁路场景中多类障碍物检测问题,通过生成逼真的合成图像并利用光流作为先验知识来有效训练模型,实验证明了该方法的可行性和效果。
Jun, 2024