May, 2024

3D 摄像机评估的碰撞避免度量

PDF
TL;DR为了解决当前标准相机评估指标无法准确考虑应用上下文的问题，我们提出了一种新的用于评估点云的度量标准，该度量标准专门设计用于评估 3D 相机在关键的避碰任务中的适用性，并结合应用特定的考虑因素来提供一个更准确的评估控制机器人安全导航性能的度量标准。
3d cameraspoint cloudscamera evaluation metricscollision avoidancerobot navigation
发现论文，激发创造
  • 使用以规划者为中心的度量方法学习评估感知模型

    本研究提出了一种面向自动驾驶的三维物体检测的原则性指标，可以测量检测结果对车辆驾驶的影响，该指标可以考虑除 “零误报” 和 “零漏报” 之外的其他因素比如目标与车辆的距离和速度，从而代表了一种新的衡量标准。

    Apr, 2020

  • 密度感知 Chamfer 距离作为点云补全的全面指标

    提出一种新的点云相似度评价方法 ——Density-aware Chamfer Distance (DCD)，结合 point cloud completion 任务和 point discriminator 模块的实验结果表明，DCD 关注整体结构和局部几何细节并提供更可靠的评价。

    Nov, 2021

  • AB3DMOT：3D 多目标跟踪的基准和新的评估指标

    本研究提出了一种简单实时的 3D 多目标跟踪系统，使用 3D Kalman 过滤器和匈牙利算法实现状态估计和数据关联，并提出了一种新的 3D MOT 评估工具以及三种新的评估指标。该方法在 KITTI 上表现出强大的 3D MOT 性能，并以 207.4 FPS 的速度运行。

    Aug, 2020

  • 使用 IoGT 和距离度量方法提高自动驾驶中 3D 物体检测器的安全性

    通过结合 IoGT 指标和距离比率，该论文提出了一种直接的安全度量，特别适用于自动驾驶场景下的三维物体检测器，并将 IoGT 改进为常用精度导向的损失函数，实验证明使用该损失函数训练的目标检测器显著降低了不安全预测率，同时保持良好性能和稳定性。

    Sep, 2022

  • 从三维点云中估计自我运动和动态运动分离，以积累数据并改善三维物体检测

    通过应用自运动估计和动态运动校正方法提高了目标检测性能。

    Aug, 2023

  • 3D 多目标跟踪：基线和新的评估指标

    该论文提出了一个简单实时的 3D 多目标跟踪系统，使用 3D Kalman 滤波器和匈牙利算法进行状态估计和数据关联，并提出了新的 3D MOT 评估工具和新的评估指标，可在 KITTI 和 nuScenes 数据集上获得最先进的性能和最快的速度。

    Jul, 2019

  • 利用 3D 打印夹具在近距离量化评估 RGBD 相机的深度质量

    为了解决 RGBD 相机的选用问题，该研究提出了一种用于定量测量深度质量的方法，并通过比较不同相机的性能和案例研究帮助其他系统集成商选择适合定制环境的相机。

    Mar, 2019

  • 自动驾驶中 3D 物体检测的离线评估

    在本研究中，我们通过对 16 种物体检测模型在 CARLA 模拟器上的大量实验，首次实证评估了不同检测指标对驾驶性能的预测能力。我们发现 nuScenes 检测得分与驾驶性能的相关性高于广泛采用的平均精度指标，并呼吁谨慎依赖新兴的以规划为中心的指标类别。

    Aug, 2023

  • 使用校准的局部几何驱动距离度量，释放 3D 点云建模的潜力

    提出了一种称为 CLGD 的新型距离度量，它通过计算一组参考点诱导的基础 3D 表面之间的差异来量化两个非结构化 3D 点云之间的不相似度，并证明其在各种优化和无监督学习任务，包括形状重建、刚体配准、场景流估计和特征表示方面的高准确性。

    Jun, 2023

  • 学习 3D 点云表示的点集距离

    本文针对 3D 点云，研究了不同距离度量方法的效果，提出使用切片 Wasserstein 距离和其变体来学习 3D 点云的特征表示，并介绍了一种估算切片 Wasserstein 距离的新算法，实验证明该方法能提高神经网络的学习效率，并在 3D 计算机视觉中展示了其在多个任务中的有效性。

    Feb, 2021