Apr, 2024

稀疏激光雷达扫描的快速且稳健的法线估计

PDF
TL;DR本文研究了使用稀疏 LiDAR 数据估计垂直线的方法，通过标记相邻点的角度并只计算带有相同标记的点的法线，成功解决了高曲率区域平滑法线的问题，并证明了该方法在高质量地图生成中的稳健性和低运行时开销。
lidarnormals estimationsparse datahigh curvature areasruntime overhead
发现论文，激发创造
  • 基于图论的 LiDAR 数据 3D 法向量提取算法

    该研究利用图形化方法来对 LiDAR 点云进行法向量估计和平面提取，建立了一个非线性的约束凸优化问题，并提供不同权重的解决方案进行优化，最终以大规模的综合平面提取数据集的比较验证了该方法

    May, 2022

  • 基于学习的本地可定位性估计用于强鲁棒性激光雷达定位

    提出了一种基于神经网络的方法，用于检测在机器人运行期间的定位问题，着重关注激光雷达测距定位模块，该方法通过模拟数据训练，可以适用于不同的环境和传感器类型，并在挑战性环境下进行了实地实验测试。

    Mar, 2022

  • 基于视觉惯性 SLAM 的深度估计

    本文研究了利用 VI-SLAM 系统从稀疏深度点云与室内场景图片中学习场景深度完成的问题，特别地，本文使用预训练的表面法向网络结合利用可用的重力估计来修正输入图像的视角限制，从而提高了表面法向估计和深度完成精度。最后，本文在 ScanNet、NYUv2 和 Azure Kinect 数据集上展示了我们的方法超越了其他最先进的方法。

    Jul, 2020

  • 从点云数据中鲁棒估计曲面曲率信息

    本文调查和评估了一些流行的算法曲率和法向量估计方法，并提出了一种新的鲁棒性曲率估计方法，并将其与现有方法进行评估，从而证明了其对于在数据噪声较大的情况下优于现有方法。

    Jun, 2023

  • 通过样本选择优化 3D 点云法线估计

    通过引入全局信息和各种约束机制，我们设计了一个基础框架来增强现有模型，同时采用基于置信度的策略选择合理样本进行公平且鲁棒的网络训练，并利用现有的定向方法纠正估计的非定向法线，在定向和非定向任务中实现了最先进的性能。广泛的实验结果证明了我们的方法对广泛使用的基准测试数据集表现良好。

    May, 2024

  • LiDAR 点云中异常检测

    通过分析 LiDAR 点云特征，我们提出了一种新颖的方法来检测生成异常点云的 LiDAR，该方法基于纯数学分析开发了一个点云质量度量标准，无需标记或训练，可实现快速部署，这能够监测 LiDAR 数据中的异常以提高自主安全性，或离线进行大规模数据的深入研究。我们使用不同扫描机制和激光光谱采集的大量真实公路数据对该方法进行了研究，并证明其能够有效处理各种已知和未知的点云异常来源。

    Jul, 2023

  • 重新思考表面法线估计的归纳偏差

    利用感知偏置进行表面法线估计，采用像素级射线方向并学习邻近表面法线之间的相对旋转关系，可以在任意分辨率和长宽比的复杂野外图像中生成鲜明但分段平滑的预测，且该方法具有较强的泛化能力，即使训练数据集规模比最先进的 ViT 模型小几个数量级。

    Mar, 2024

  • 深度迭代表面法线估计

    该研究提出了一种基于图神经网络和自适应各向异性核的表面法线估计算法，不需要任何手动特征或预处理，优于现有深度学习方法，在保留尖锐特征和空间等变性的同时，速度和参数效率均为同类算法的两个数量级。

    Apr, 2019

  • 机器人应用中 LiDAR 自监督学习测距法

    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

  • 加权点云法向估计

    本研究提出了一种加权法线估算方法，包括一种新型加权法线回归技术和一项对比度学习预处理过程，在保持特征的同时实现了鲁棒性，处理了噪声和复杂的点云，获得了合成和真实数据集上的最先进性能。

    May, 2023