IROS2020
木得感情的_coder
一事无成的底层码农
展开
-
EU Long-term Dataset with Multiple Sensors for Autonomous Driving
最近几年随着传感器的快速进步,自动驾驶行业得到了快速的发展。车载传感器的一种重要的作用就是帮助车辆感知学习理解周围环境,并能实现交互。本文构建了一个多传感器的系统来感知周围环境并实现精准高效的定位。该平台集成了11种传感器,包括各种相机和激光雷达,雷达,IMU(惯性测量单元)和GPS-RTK,并基于ros系统处理数据。作者开源了数据集(高动态场景,大规模建图)数据集在:https://epan-utbm.github.io/utbm_robocar_dataset/...原创 2021-04-29 10:40:49 · 678 阅读 · 0 评论 -
LiDAR guided Small obstacle Segmentation
今天分享一个雷达辅助的小障碍物检测的系统,也是2020年IROS的一篇文章。检测路面上的小障碍物对自动驾驶来说也是一个不可或缺的功能,本文基于一个16线的激光雷达和单目相机来检测路面上的小障碍物。雷达通过构建置信地图(confidence map)的方式获取场景额外的纹理信息。把该置信地图作为额外的输入送到视觉图像的语义分割网络可以得到很好的结果。本文作者也开源了由3000张图片已经对应的雷达观测的语义分割的数据集。包括非道路、道路和小障碍物三个标签。由于相机的外参对这个工作很重要,作者在这里提出了一种精原创 2021-04-27 15:21:44 · 280 阅读 · 0 评论 -
GP-SLAM+: real-time 3D lidar SLAM based on improved regionalized Gaussian process map reconstruction
今天分享一篇浙大2020IROS的工作,这篇工作提出了一个基于改进的区域化的高斯过程地图重建来得到高精度的定位和建图。作者利用空间GP回归对环境进行建模,这个工具能得到在稀疏扫描区域的表面及其不确定度的均匀采样。这些属性能帮助我们在帧到地图的匹配中更好的做数据关联和地图更新,尤其是针对稀疏的数据。与以前的GP-SLAM相比,这项工作克服了GP高昂的计算成本,并重新设计了配准策略以满足3D场景中的精度要求。 对于大规模任务,采用两个线程框架进一步抑制漂移。 实验表明该方案精度很高,效果很好...原创 2021-04-27 15:21:01 · 517 阅读 · 2 评论 -
GOSMatch: Graph-of-Semantics Matching for Detecting Loop Closures in 3D LiDAR data
GOSMatch: Graph-of-Semantics Matching for Detecting Loop Closures in 3D LiDAR data利用激光雷达的点云信息检测闭环是一件很不容易的事情,因为激光雷达的数据是不稳定的.本文提出了一种叫做GOSMatch的方法依靠语义级别的信息做场景重识别,本文的方法利用语义物体之间的空间关系产生新颖的描述符. 本文还设计了一种由粗到细的测量来有效的找到闭环.此外, 一旦确定找到了闭环帧,系统就会给出准确的六自由度的位姿估计结果,本文在kitti原创 2021-04-27 15:17:19 · 401 阅读 · 0 评论 -
Automatic Targetless Extrinsic Calibration of Multiple 3D LiDARs and Radars
Automatic Targetless Extrinsic Calibration of Multiple 3D LiDARs and Radars许多自动驾驶车辆使用包含多个3D LiDAR和其他雷达传感器的系统,以实现的全方位感知。这种多传感器系统精准的外参是准确感知数据的关键前提,这有助于在高度动态的城市环境中自动驾驶车辆的安全运行。本文首次提出无目标的自动标定多个3D LiDAR和雷达传感器外参的方法,该方法仅要求车辆短距离行驶。所提出的方法首先通过最小化来自不同LiDA的三维点和车体参考系下的原创 2021-04-27 15:16:49 · 323 阅读 · 0 评论 -
EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association
EAO-SLAM: Monocular Semi-Dense Object SLAM Based on Ensemble Data Association这篇文章是实验室大佬师兄的工作,主要介绍了小场景下的语义数据关联.物体级的数据关联和位姿估计对于语义SLAM很重要,直到现在由于没有鲁棒准确的算法,依然被认为是一个没有被解决的问题。本文提出了一种基于参数和非参数检验的数据关联方法,通过利用不同统计数据的性质,我们的方法可以有效地汇总不同观测的信息,从而显着提高数据关联的鲁棒性和准确性。 然后,我们提出原创 2021-04-27 15:16:17 · 202 阅读 · 0 评论 -
DeepLiDARFlow: A Deep Learning Architecture For Scene Flow Estimation Using Monocular Camera and Spa
场景光流是对场景中运动和几何模型的稠密三维重建。大多数的系统都是利用双目图像作为输入输出场景的三维重建结果。现存的系统都是比较依赖RGB图像的质量而且在一些反光物体,遮挡,病态的光线场景下表现很差。雷达在上述的环境中影响就很小,但是由于雷达数据的稀疏性导致雷达的特征不适合用来匹配。所以激光和视觉结合通过改善和产生鲁棒的特征用来匹配,可以克服每个传感器的不足。在这个系统中作者提出了一个新的基于激光雷达和视觉结合的框架,通过在单目相机的多个尺度上融合高层次的RGB和LiDAR数据来预测稠密的场景光流。这个系统在原创 2021-01-09 09:19:47 · 372 阅读 · 0 评论 -
LiTAMIN: LiDAR-based Tracking And MappINg by Stabilized ICP for Geometry Approximation with Normal D
本文提出了利用正态分布簇来逼近局部几何结构的ICP方法来提升3D激光雷达的精度鲁棒性和运算效率。和原来的基于正态分布的ICP方法相比(正态分布变换和广义的ICP),本文的ICP方法仅通过Frobenius范数(矩阵A各项元素绝对值的平方和)和正则化协方差矩阵来归一化代价函数得到稳定的结果。原来的方法是通过主成分分析得到的,其计算成本是高于我们的方法的。此外这个系统能够减少不正确的闭环约束带来的影响。在实验中发现这个方法比LOAM,LeGO-LOAM和hdl graph slam更有优势。...原创 2021-01-08 09:38:54 · 776 阅读 · 0 评论 -
Leveraging Stereo-Camera Data for Real-Time Dynamic Obstacle Detection and Tracking
躲避动态物体是在动态环境中导航的必要组成部分,本文展示了一个用双目构建带有噪声的点云来精准可靠的检测和跟踪动态的物体。这个系统能在计算能力受限的地面无人车上实时运行。本文的方法可以识别机器人周围环境中的单个对象是动态还是静态,动态物体标记为人或者其他通用的动态物体并估计他们的速度,生成用于避障的2D栅格地图。该系统在室内和室外分别进行了评估,在测试数据集上,对于动态对象的检测和跟踪,MOTP为0.07±0.07m,MOTA为85.3%。 对静态物体的检测精度达到96.9%。...原创 2021-01-08 09:37:56 · 383 阅读 · 0 评论 -
SaD-SLAM: A Visual SLAM Based on Semantic and Depth Information
针对目前大多数的SLAM系统都是面向静态环境的,在动态环境中表现都很差的问题。本文提出了SaD-SLAM,这个系统基于ORB-SLAM2,能在动态场景下达到不错的效果。根据语义分割和深度信息,我们很容易可以找到那些落在动态物体的特征点,同时也检测保存的特征是不是还在继续跟踪。为了使系统在动态场景中更加鲁棒和准确,我们同时用静态的特征点和动态的特征点来计算相机位姿。这个算法在TUM数据集上进行了测试并达到了不错的效果。...原创 2021-01-08 09:31:37 · 435 阅读 · 0 评论