Apr, 2024

面向 LiDAR 强度模拟的物理感知深度学习架构

PDF
TL;DR自主驾驶车辆（AV）的研究中，通过深度学习框架在物理模态内结合激光雷达入射角度的方法，提高了激光雷达强度模拟的准确性，并通过比较分析验证了使用深度学习的两种架构（U-Net 和 Pix2Pix）进行强度预测任务时，Pix2Pix 架构在结合入射角度时性能优于 U-Net。
autonomous vehicleslidar intensitydeep learningangle of incidenceconvolutional neural network
发现论文，激发创造
  • 基于 GAN 的激光雷达强度模拟

    开发自动驾驶中，真实车辆传感器模拟是重要的因素。我们提出利用基于数据的方法，使用来自实际测试驾驶的相机图像和 LiDAR 扫描数据训练生成对抗网络，实现相互翻译。通过添加分割数据和密集深度图像的相机图像，以及通过测试真实与合成点云之间物体检测网络的泛化效果评估 LiDAR 模拟性能，我们结合这两种方法，模拟并展示了真实的 LiDAR 点云。

    Nov, 2023

  • 反射率就是您所需的一切！：推进激光雷达语义分割

    基于校准强度（也称为反射率）的学习型激光雷达语义分割框架在边界模糊环境中表现良好，并通过将强度转换为反射率，提高了离线场景中的平均交并比（mIoU）4％。

    Mar, 2024

  • 离线激光雷达基于强度的语义分割

    通过使用 LiDAR 强度参数来增强离线道路环境下的物体分割，我们的方法在 RELLIS-3D 数据集上得到了有希望的结果，为学习基于语义分割框架的预测准确性提供了补充输入。

    Jan, 2024

  • 使用 LiDAR 强度图学习定位

    本文提出了一种实现实时、不需要校准的自动驾驶汽车定位系统，该方法通过学习将在线 LiDAR 扫描和强度图嵌入到联合的深度嵌入空间中，并通过嵌入之间的有效卷积匹配来进行定位。在不同的 LiDAR 传感器和环境下，我们的系统能够以 15Hz 的实时速度实现厘米级别的精度。在超过 4000 公里的驾驶大数据集上，我们的实验表明了所提出方法的性能。

    Dec, 2020

  • 自动驾驶中基于 GAN 的 LiDAR 传感器建模和数据增强

    通过 CycleGANs 从未配对的数据中进行图像转换，以实现从模拟 LiDAR 到真实 LiDAR（sim2real）的传感器建模，从低分辨率到高分辨率的真实 LiDAR（real2real）的生成以及使用鸟瞰图和极坐标 2D 表示法处理 LiDAR 3D 点云。实验结果表明，该方法具有很高的潜力。

    May, 2019

  • 深度激光雷达卷积神经网络用于理解运动车辆的动态

    本文提出了一种用于理解场景中运动车辆动态的新方法，该方法通过设计卷积神经网络 (CNN)，并在训练期间引入一系列所谓的 “预文本任务”，以消除自我运动和外部车辆运动的混淆。我们在测试阶段使用 lidar 扫描的连续对来试验该系统，并在训练期间将形象信息开以提高系统推理结果精度。

    Aug, 2018

  • 利用 LiDAR 强度进行非监督内在图像分解

    本文提出了使用激光雷达强度信息来实现无监督内在图像分解的方法。通过设计强度一致性损失和强度密集化模块，我们成功克服了传统无监督学习方法所面临的挑战，并取得了比传统方法更好的结果。

    Mar, 2023

  • 自动驾驶中基于 LiDAR 的感知遭受对抗性传感器攻击

    本文对自动驾驶汽车中基于 LiDAR 传感器的感知系统进行了首次安全研究，将 LiDAR 欺骗攻击作为威胁模型，并探索了机器学习模型欺骗攻击的可能性，提出了优化方法和算法，同时讨论了针对自动驾驶汽车感知系统、传感器和机器学习模型的防御方向。

    Jul, 2019

  • 使用激光雷达强度增强的无监督内在图像分解训练

    利用只有图像而没有轻剑测距仪强度的方法，实现了与使用图像和轻剑测距仪强度相当的无监督本质图像分解质量。

    Mar, 2024

  • 物理启发的密集融合网络用于重新照明

    本文提出了一种基于深度学习的图像去光照方法，将传统方法和深度学习模型相结合，并且通过物理洞察力量化来丰富神经网络，实现了对图像的更好去光照。

    May, 2021