使用 4D 隐式神经表示在动态环境中进行的 3D LiDAR 地图构建
本文提出了一种使用基于 Octree 的结构并采用神经网络处理隐式特征进行 LiDAR 测量的大规模三维重建方法,并利用二进制交叉熵损失来优化局部特征。在此基础上,设计出一种具有正则化性能的增量式映射系统,以解决连续学习中遗忘问题。实验结果显示,本方法相较其他先进技术具有更高的精确性、完成度和内存效率。
Oct, 2022
基于 LiDAR 的 LiDAR4D 框架,通过 4D 混合表示和几何限制,实现了具有几何感和时间一致性的动态重构技术。
Apr, 2024
本文提出了一种通过 LiDAR 测量单独重建大规模三维语义场景的新方法,使用隐式表示进行建模。通过浅层多层感知机(MLPs)从隐式特征解码出语义信息和有符号距离值,并采用自监督策略和伪监督策略进行隐式特征和 MLPs 参数的联合优化,最后利用 Marching Cubes 算法对场景进行推断阶段的细分和可视化。与当前最先进的 3D 建图方法相比,我们的框架在三个真实数据集,SemanticKITTI,SemanticPOSS 和 nuScenes 上表现出了很高的效果和效率。
Nov, 2023
提出了一种名为 NID-SLAM 的方法,通过增强语义掩膜中的不准确区域和选择关键帧来提高神经 SLAM 在动态环境中的性能。在动态环境中,该方法通过准确删除动态物体来降低相机漂移的概率,从而在跟踪准确性和建图质量方面优于其他竞争性神经 SLAM 方法。
Jan, 2024
利用多模态数据结合深度学习模型进行密集三维重建,从而提高自动驾驶中的标注验证、数据扩充、缺失 LiDAR 系统的地面真值注释以及自动标记准确性的应用效果。
Feb, 2024
通过使用 LiDAR 传感器进行 3D 环境感知,本文提出了一种基于神经隐式表示和可优化特征网格的学习方法,通过优化非度量单调隐式场,实现了高质量的密集 3D 建图。
Mar, 2024
基于局部 - 全局融合神经隐式表示的实时动态可视化 SLAM 系统 (DVN-SLAM) 能够提高场景表示能力、处理渲染过程中的不确定性,并在多个数据集上实现了竞争性的定位和映射性能,在动态场景中表现出鲁棒性,这是与其他基于 NeRF 的方法不同之处。
Mar, 2024
提出了一种利用神经隐式场表示解决室内场景语义 V-SLAM 问题的在线框架,并通过多项实验表明其在测试时间具有精确的跟踪、地图绘制和语义标注能力,能够扩展到 RGB 图像输入,为机器人视觉感知及相关问题提供了可行的解决方案。
Apr, 2023
本文提出一种基于学习的方法,重建移动机器人行进城市环境中的局部地形,通过算法估计机器人周围的地形,采用 4D 全卷积网络,可以利用合成数据进行训练,并在机器人上取得良好效果。
Jun, 2022
该文提出了一种使用二次曲面描述三维场景的方法,以提高 LiDAR 测距、定位和映射的空间和时间效率。通过分解成稀疏的二次曲面贴片来代替原始点云数据,该方法避免了点对点的最近邻搜索过程,具有更高的存储效率和准确性,适用于 KITTI 和 UrbanLoco 数据集中大容量点云的实验。
Apr, 2023