RCDN:基于动态特征的三维神经建模实现鲁棒相机不敏感的协同感知
通过开发虚拟数据集 V2U-COO,设计跨领域自适应模块 CDCA 以及协同深度优化模块 CDO,本文提出了一种专门用于空中 - 地面协同感知的框架,并在虚拟数据集和公共数据集上进行了广泛实验证明了其有效性,使检测准确率分别提高了 6.1% 和 2.7%。
Jun, 2024
提出了一种无与伦比的基于相机的多 UAV 协同三维物体检测范式 UCDNet,通过显式利用 UAV 到地面的深度信息作为强先验,为更准确和可推广的特征映射提供参考。此外,设计了一种同质点几何一致性损失作为辅助自监督方法,直接影响特征映射模块,从而增强多视角感知的全局一致性。在 AeroCollab3D 和 CoPerception-UAVs 数据集上的实验结果表明,与基准方法相比,我们的方法分别提高了 4.7%和 10%的 mAP,证明了 UCDNet 的优越性。
Jun, 2024
本文提出了一种通过引入多智能体协作来提高仅使用摄像机的 3D 检测的方法,称为 CoCa3D。实验表明,CoCa3D 在真实数据集和两个新的模拟数据集上的表现优于之前最好的方法,并显示出摄像机在某些实际场景中可能会超越 LiDAR 的潜力。
Mar, 2023
本文提出了一种名为 CRN 的相机 - 雷达融合框架,通过使用轻量的雷达测量精确远程物体的位置和空间信息,配合多模激活的可变注意力机制生成丰富的语义和准确的俯视特征图,使该系统在自动驾驶领域表现出色。
Apr, 2023
通过鸟瞰流(BEV flow)对异步协同感知消息进行补偿,CoBEVFlow 提出了一种异步鲁棒的基于 3D 视觉感知系统,能够处理不规则、连续时间戳的协同感知消息,而不需要离散化,并且只传输原始感知特征而不引入额外噪音,通过在 IRV2V 和 DAIR-V2X 数据集上的大量实验证明了 CoBEVFlow 的有效性和对极端异步情况的鲁棒性。
Sep, 2023
本文介绍一种新的通过点云序列检测车辆 3D 物体的方法,采用 LiDAR 传感器解决阴影效应与 HD 地图配合,并使用 V2X 通信技术提高车辆感知性能,同时优化带宽性能.
Jul, 2023
本研究提出了一种分布式协作感知网络(DCP-Net),旨在通过整合其它平台的特征来提升成员的感知性能,减少冗余传输成本,并解决本地和协作特征之间的错位问题,从而在遥感应急任务中取得了明显的性能提升。
Sep, 2023
自动驾驶汽车的安全操作需要对环境进行全面感知,而其感知能力受到遮挡、传感器范围限制或环境影响的限制。集体感知旨在通过车辆间的信息交换来减轻这些问题,其中融合交换信息是一个主要挑战。由于早期融合方法对带宽需求巨大以及中间融合方法的可替代性问题,只有共享检测的后期融合是可行的。然而,现有的后期融合方法忽视了本地检测的有价值信息,因此我们提出了一种新颖的融合方法来融合协作车辆在本地基于激光雷达的检测中的检测结果,即集体 PV-RCNN(CPV-RCNN),该方法扩展了 PV-RCNN++ 框架来融合集体检测。此外,代码可在此 https URL 中找到。
Sep, 2023
本文提出一种新的协同三维物体检测框架,通过利用空间分布式传感器所提供的信息来辅助自动驾驶系统中的感知精度,同时避免因事先的通信方案导致通信拥堵和 / 或性能受限的问题。通过两个复杂的驾驶场景的实验结果和带宽使用分析,证明了该方法可以在各种检测困难情况下节省通信和计算成本,并显著提高检测性能。
May, 2022
本文提出了一个使用 RGB-D 图像进行对象和场景识别的新方法,使用深度神经网络取代手工特征提取器,并利用卷积神经网络提取的视觉特征和递归神经网络高效转换为高级别特征,通过软投票方法进行多模态融合来实现一致的分类结果,实验结果表明该方法在对象和场景识别任务中均取得了卓越或同等水平的性能。
Apr, 2020