![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
后期融合
文章平均质量分 92
superbzhoucc
这个作者很懒,什么都没留下…
展开
-
基于Iterative Closest Point和Optimal Transport Theory的鲁棒V2V协同感知(3D目标检测)
通过使用基于Iterative Closest Point(ICP)和Optimal Transport(OT)的融合算法,来增强协同感知框架对pose error的鲁棒性。基于ICP的匹配算法通过迭代优化找到Source点和target点之间的相对变换;但是,该方法对那些没有对应关系的点比较敏感,并且需要选择一个合适的neighbour search参数,直接影响到点云注册结果。原创 2023-02-11 21:33:39 · 379 阅读 · 0 评论 -
MAMP:基于 model-agnostic 的V2V协同感知(3D目标检测)
在协同感知的背景下,来自不同利益相关的agent具有异质性的模型。为了保密起见,与模型和参数有关的信息不应透露给其他agent。本文提出了一个与模型无关model-agnostic协同感知框架,解决了后期融合策略的两个关键挑战。1.提出了一个置信度校准器,以统一不同agent的分类置信度分布,消除预测的置信度分数偏差。2.提出了一个边界框聚合算法,该算法同时考虑了校准的分类置信度和边界框回归给出的空间一致性信息。原创 2022-12-31 17:23:59 · 703 阅读 · 0 评论 -
基于路边基础设施LiDAR点云的车辆跟踪系统
提出了一种LiDAR数据处理过程,通过考虑车辆检测和车道识别设计了一个自动车辆跟踪系统,从路边设施LiDAR传感器中提取所有车辆的高精度高分辨率的轨迹,该过程包括背景过滤、DBSCAN聚类、RF分类、RGBC车道识别和GNN跟踪等方法。1)背景过滤:通过应用基于统计学的背景过滤方法,去除从路面或建筑物反射的激光点;2)聚类:采用基于密度的有噪声的空间聚类(DBSCAN)方法为激光点生成聚类;3)分类:采用随机森林(RF)分类方法,为不同的物体(如车辆和行人)生成不同的类别标签;原创 2022-12-17 01:01:31 · 451 阅读 · 0 评论 -
基于GM-PHD滤波器的V2V协同感知( 多目标跟踪)
本文提出了一种对多辆汽车进行协作跟踪的方法,该方法将高斯混合概率假设密度滤波器(GM-PHD)与协作融合算法进行扩展。以先检测后跟踪的方式进行预处理,并使用矩形形状模型对汽车进行跟踪。为了扩大单个车辆的视场,提高多辆车可观察到的目标区域的估计置信度,在车辆之间交换PHD强度,并使用一个基于广义协方差交叉融合的算法在协同GM-PHD滤波器中进行融合。在车辆以不同速度表现出直线和曲线运动的情况下,使用一个经过校准的高保真模拟器对该方法进行了广泛的评估。原创 2022-11-26 17:32:40 · 1607 阅读 · 0 评论 -
基于车载无线通信和车辆远程传感器融合的V2X协同感知(目标跟踪/轨迹预测)
为了实现可靠的车辆驾驶环境识别,并提供适当的道路安全应用,提出了基于车载传感器和车辆无线通信的协同感知方法。提出了基于车辆无线通信数据与车载传感器数据融合的协同感知方法,其中,采用了基于Kalman滤波的方法来融合车载传感器感知和通过V2X通信接收到的目标轨迹数据,以准确可靠地定位车辆周围的远程目标并预测其未来的轨迹。1)所提出的方法应用范围被限制在Ego车辆周围存在单一远程目标的驾驶场景中。2)轨迹预测是基于基于物理学的运动模型,这种模型可以在短期预测中表现良好,但当预测范围扩大时,其性能就会下降。原创 2022-11-26 15:42:35 · 1780 阅读 · 0 评论 -
基于协方差交叉融合算法的V2X协同感知(多目标跟踪)
提出了一个基于CI的概率轨迹融合方法应用于V2X CP,可在不需要知道任何互相关未知的情况下,对本地感知信息和从其他ITS-S收到的感知目标信息进行融合;支持Ego CV中不同类型的感知信息的融合,包括其本地感知数据、传感器原始数据和通过V2X通信从其他合作ITS-S收到的目标轨迹。原创 2022-11-26 03:11:25 · 1324 阅读 · 0 评论 -
V2V协同多目标跟踪——目标尺寸和位置估计
我们提出了一种基于机器学习的方法,以提高协作式自动驾驶应用的共享信息的准确性。这种方法使用两个对话神经网络来检测和分类物体。物体分类有助于提取物体的尺寸,这些尺寸用于估计SAE标准要求的物体中心点的位置。结果表明,位置估计的误差非常小。本文提出了一种基于机器学习的方法,与目标跟踪系统相结合,能够对共享的object进行分类和提取三维信息。该方法提供了V2V通信所需的被追踪物体目标的尺寸和中心点的位置。在本文中,我们提出了一种新的方法,其中使用了两个深度神经网络来分类和提取检测到的object的信息。原创 2022-11-24 01:34:09 · 1547 阅读 · 0 评论 -
基于Car2X-Based Perception模块的后期融合V2X协同感知
所提出的Car2X-Based Perception模块作为一个虚拟传感器被整合到后期融合架构中,主要用于将发送车辆/路边设施的Local Perception模块的输出进行时间和空间上的对齐:1)对于时间对齐,通过采用CTRA车辆运动模型结合UKF来预测协作车辆和接收到的物体的3D位置和 motion。其中,UKF的状态被一个过程噪声向量所增广,以这样简单的方式包含了运动模型的不准确性;2)对于空间对齐,UT变换计算相对状态。原创 2022-11-19 03:44:56 · 328 阅读 · 0 评论