Apr, 2024

FRAME：自主地图合并的模块化框架：领域进展

PDF
TL;DR在本研究中，提出了一种新颖的方法，用于在自我中心多机器人探索的背景下合并 3D 点云地图。与传统方法不同，该方法利用先进的地点识别和学习描述符来高效地检测地图之间的重叠，消除了耗时的全局特征提取和特征匹配过程。估计的重叠区域用于计算同一刚体变换，作为 GICP 点云配准算法的初始条件，进一步改善地图之间的对齐。该方法的优势包括更快的处理时间、提高的准确性和对挑战环境的增强鲁棒性。此外，通过多个机器人在各种不同地下环境中的实地任务成功证明了该框架的有效性。
发现论文，激发创造
  • 一种用于机器人大规模 LiDAR 场景解析的高效框架

    本文介绍了一种在有限标签情况下解决点云理解问题的通用简单框架，通过无监督区域扩展的聚类方法生成聚类，并结合地理特征相似性和语义特征相似性在弱标签监督下学习合并过度细分的聚类，以及自监督重建和数据增强优化模块引导标签在场景中语义相似点之间的传播。实验证明，该框架在大规模 3D 语义场景解析的数据效率设置下，在语义分割、实例分割和目标检测等三个重要弱监督点云理解任务中表现最佳，所开发技术还具有对机器人操作和自主导航中的下游任务提供更好表示的潜力。代码和模型可在链接处公开获取。

    Dec, 2023

  • ModaLink: 图像到点云的高效场景识别

    通过引入快速轻量级的框架，将图像和点云转换成具有地点鉴别性的描述符。实验结果表明，所提出的方法在实时执行的同时达到了最先进的性能，具有实际的泛化能力。

    Mar, 2024

  • 基于传统 / 学习式三维描述符的高效数据三维场景解析的综述与鲁棒性框架

    在标签有限的情况下，本文提出了一种通用而简单的框架来解决点云理解问题，利用传统和学习到的 3D 描述符进行方法比较，并提出了基于亲和性的学习区域合并策略，该方法在各种实验设置下优于现有方法，无需复杂的学习策略。

    Dec, 2023

  • 一个统一的基于点的 3D 分割框架

    针对 3D 点云的分割问题，我们提出了一种新的点云分割框架，该框架能有效地优化整个场景的像素级特征，几何结构和全局上下文先验。实验结果表明，该方法优于现有的一些最先进的方法，并探讨了在三维重建场景中合成相机姿态以获得更高的性能。

    Aug, 2019

  • 一种基于全景立体图像的多模态园艺数据集和混合三维密集重建框架，用于修剪机器人

    提出了一个基于新设计全景立体相机和混合软件框架的解决方案，具有三个融合模块，包括视差融合、姿态融合和立体体积融合，用于从单视图点云中构建整个花园的网格。

    May, 2023

  • 基于几何特征的紧耦合激光雷达 - 视觉 SLAM 移动代理方案

    本研究针对移动机器人在动态和复杂环境下自主导航和任务执行的困难，提出了一种基于 LiDAR 和单目视觉 SLAM 的紧耦合几何特征融合框架方法，是当前多模态方法中姿态估计更为精确和健壮的。

    Jul, 2023

  • FASTC：一种快速的基于注意力机制的点云语义可通行性分类框架

    使用点云进行地形可通过性评估，通过新的柱状特征提取模块和时空注意力模块，实现了更高的性能和更准确的评估结果。

    Jun, 2024

  • RGBD-Glue: 强鲁棒性 RGB-D 点云配准的通用特征融合

    通过提出一种新的特征组合框架，应用松散但更有效的融合，克服各种特征的弱点，并利用两种类型特征的有效信息，该方法在 ScanNet 上实现了最先进的性能，旋转精度达到了 99.1%。

    May, 2024

  • MEM：机器人和学习的多模态高程建图

    本文扩展了一个 2.5D 机器人中心的高程图绘制框架，通过融合多源的多模态信息到流行的地图表示形式，解决纯几何信息在许多领域应用中不足的问题，并通过 GPU 实现实时处理能力，展示了多种应用场景。

    Sep, 2023

  • 利用地面分割实现抗离群点的长期机器人地图构建

    通过提出快速而稳定的地面分割、鲁棒的带地面分割的异常值鲁棒注册、层次化多场景 SLAM 以及基于实例感知的静态地图构建，实现了一个长期稳定的机器人建图系统。

    May, 2024