0. 简介 自动代驾泊车(AVP)是自动驾驶技术的一个很有前景的应用,其旨在使车辆自行导航并自动停车到目标位置。高清地图在AVP中发挥着关键作用,因为它可以以厘米级的精度提供目标停车场的先验信息。相较于开放道路场景来说,RTK其实可以起到比较关键的作用,但是比如在底下停车场这类结构比较单一,且没有GPS的场景,lidar在地下停车场容易沿垂直方向向上漂移,导致建图结果不佳。具体原因是当入射角较大时
0. 简介 自动驾驶中的高精地图对于车辆的定位而言是非常重要的,一般来说高精地图需要耗费大量的时间完成。而随着深度学习的发展,使用深度学习来完成地图的矢量化是非常有用的一个操作。矢量化高精度(HD)地图对于自动驾驶而言至关重要,其为高级感知和规划提供了详细且精确的环境信息。然而,当前的地图矢量化方法经常出现偏差,并且现有的地图矢量化评估指标缺乏足够的灵敏度来检测这些偏差。 为了解决这些限制,《On
0. 简介 对于激光雷达的地面估计分割,目前其实有很多方法做了快速并鲁棒的分割,比如说我们之前写的一篇《经典文献阅读之—FEC》一文中就给出了快速分割的方案,当中第一步就是需要对地面进行分割。而我们这次看的是一篇使用均匀B样条的方法来从LiDAR数据中快速且鲁棒地估计地平面的方法。《Fast and Robust Ground Surface Estimation from LIDAR Measu
0. 简介 一般来说,当系统经过不规则的地形时候,机器人自身会存在激烈运动会导致激光雷达扫描中的运动畸变,从而可能降低状态估计和建图的精度。虽然已经有一些方法用于缓解这种影响,但它们仍然过于简单或计算成本过高,难以应用于资源受限的移动机器人。之前这个团队开发了《经典文献阅读之—DLO》这套方法。该团队在23年又提出了《Direct LiDAR-Inertial Odometry: Lightwei
0. 简介 强化学习在自动驾驶中的应用已经日渐普及,虽然由于一些伦理问题,目前真正的使用这种强化学习的还不是很多,但是目前已经有很多应用在自动驾驶中的强化学习的工作,但是我们发现这类方法基本都是将卷积编码器与策略网络一起训练,然而,这种范式将导致环境表示与下游任务不一致,从而可能导致次优的性能。而《RLAD: Reinforcement Learning from Pixels for Auton
0. 简介 我们知道激光雷达作为自动驾驶中最为精准的传感器,它可以在绝大多数场景下提供较为精准的定位信息,同时也有很多工作用激光做重定位工作。而《 CVTNet: A Cross-View Transformer Network for Place Recognition Using LiDAR Data》 这个工作就是基于激光雷达的地点识别(LPR)来完成在没有GPS的环境中识别以前行驶过的地点
0. 简介 在机器人领域,点云已经成为一种必不可少的地图表示方式。从定位和全局路径规划等下游任务的角度来看,动态对象对应的点会对其性能产生不利影响。现有的点云动态点去除方法在对比评价和综合分析方面往往缺乏明确性。因此,《A Dynamic Points Removal Benchmark in Point Cloud Maps》提出了一个易于扩展的统一基准测试框架,用于评估地图中动态点的移除技术
0. 简介 我们之前经常接触的是使用激光雷达和惯性测量单元(IMU)的互补信息,但是实际使用的过程中IMU如果发生剧烈的颠簸,有可能会导致IMU失效。在广泛使用的迭代最近点(ICP)算法只能为姿态提供约束,而速度只能由IMU预积分进行约束。因此,速度估计倾向于随着姿态结果而更新。最近有一篇博客介绍了将雷达,imu,里程计融合的办法《LIW-OAM: Lidar-Inertial-Wheel Od
0. 简介 在没有预先计算相机姿态的情况下训练神经辐射场(NeRF)是具有挑战性的。最近在这个方向上的进展表明,在前向场景中可以联合优化NeRF和相机姿态。然而,这些方法在剧烈相机运动时仍然面临困难。我们通过引入无畸变单目深度先验来解决这个具有挑战性的问题。这些先验是通过在训练期间校正比例和平移参数生成的,从而能够约束连续帧之间的相对姿态。这种约束是通过我们提出的新型损失函数实现的。对真实世界室
0. 简介 对于视觉而言,如何使用鸟瞰图来完成车道线的识别和标定是非常重要的,对于鸟瞰图来说,其实有很多种,之前读者的博客中也已经提到过《逆透视变换(IPM)多种方式及代码总结》、《IPM 鸟瞰图公式转换与推导》。这个当然内容还是不太详细,对于各位想要复现难度会比较大,这个时候可以看一下《单应矩阵的推导与理解》这篇文章的详细推导。其实只需要知道精确的外参和内参,以及相机的高度,以及期望的W和H(
0. 简介 为了实现精确定位,自动驾驶车辆通常依靠围绕移动平台的多传感器感知系统。校准是一个耗时的过程,机械畸变会导致外部校准误差。因此,《Lidar-Visual-Inertial Odometry with Online Extrinsic Calibration》提出了一种激光雷达-视觉-惯性里程计,结合了适应性滑动窗口机制,允许在线非线性优化和外部校准。在适应性滑动窗口机制中,进行空间-
0. 简介 融合方案是多传感器融合方法的关键,多传感器融合方法是地下矿山和行星表面等复杂极端环境下状态估计的最有前途的解决方案。本文提出了一种基于iEKF的轻量级LiDAR惯性里程计系统,该系统采用可感知退化的模块化传感器融合管道,仅在检测到退化时才在更新过程中同时测量来自另一个里程计的LiDAR点和相对位姿。通过CRLB理论和仿真实验验证了该方法与单一观测值方法相比具有更高的精度。此外,针对各
0. 简介 对于车辆来说,我们更希望能够得到一个有效的定位系统,能够保证高精度的同时,拥有较高的鲁棒性,而《Robust SRIF-based LiDAR-IMU Localization for Autonomous Vehicles》就是这样一篇文章,在各种场景中实现了厘米级的精度和高鲁棒性。为了实现鲁棒、准确的点云特征匹配,文中提出了一种从激光雷达点云中提取结构化、高识别力特征的新方法。对
0. 简介 对于激光雷达数据而言,虽然与2D图像相比,可以提供精确的物体深度信息,但也存在数据量大的问题,不便于数据存储或传输。在拿到离线数据分析的时候会发现我们很难拿到较长一段时间的激光数据,这就给我们问题的重现增加了困难。而本文《R-PCC: A Baseline for Range Image-based Point Cloud Compression》就提出了一种基于距离图像的点云压缩方
0. 简介 现有的视觉SLAM很多的算法让仍然是基于特征提取的方法来完成地图的建立,而RGB-D传感器的算法仍然是主要基于稀疏点的SLAM系统,这就导致在构建稠密点云地图的时候需要保持大量的地图点来建模环境。大量的地图点给我们带来了很高的计算复杂性,使其难以部署在移动设备上。另一方面,平面是人造环境中常见的结构,特别是在室内环境中。我们通常可以使用少量的平面来表示一个大的场景。《VIP-SLAM
0. 简介 对于深度学习而言,NeRF一定是最近两年最火的工作之一了,NeRF(Neural Radiance Fields)是最早在2020年ECCV会议上的Best Paper,其将隐式表达推上了一个新的高度,仅用 2D 的 posed images 作为监督,即可表示复杂的三维场景。NeRF迅速发展也已经被应用到了多个技术方向,例如新视点合成、三维重建等等,都取得非常好的效果。之前我们在《
0. 简介 对于自动驾驶以及机器人而言,除了SLAM以外,另一个比较重要的部分就是轨迹规划了。而最近作者看到了几篇比较好的文章,分别为《A Review of Motion Planning Techniques for Automated Vehicle》、《A review of motion planning algorithms for intelligent robots》、《A re
0. 简介 之前作者在《激光雷达动态障碍物滤除-调研与展望》以及《3D帧间匹配——-剔除动态障碍物》中提到了如何通过各种方法来完成动态障碍物的滤波。而本文也将围绕着如何完成动态障碍物滤波来展开,来介绍《ERASOR: Egocentric Ratio of Pseudo Occupancy-based Dynamic Object Removal for Static 3D Point Clou
0. 简介 作为路径规划而言,不单单有单个机器人自主路径规划,近年来随着机器人行业的兴起,多机器人自主路径规划也越来越受到关注,对于多智能体寻路(MAPF)。一般的操作会给定一个地图、机器人集群、以及它们的初始位置和目的地,MAPF会最终输出一组没有碰撞的路径,用于控制机器人集群完成运动。《Iterative Refinement for Real-Time Multi-Robot Path P
0. 简介 终生学习作为近年来比较火的一种深度学习方式,导航终身学习(LLfN)旨在解决标准导航问题的一种新变体,在该问题中,智能体在有限的内存预算下,通过学习提高在线经验或跨环境的导航性能。而最近有一篇文章《A Lifelong Learning Approach to Mobile Robot Navigation》提出了一种新的终身学习导航(LLfN),它完全基于移动机器人自身的经验来改进
自动驾驶、移动机器人相关经典论文阅读
博客
泡泡
积分
勋章
精选经典文献阅读之--BALM2(高效且一致的激光雷达点云束调整)
精选经典文献阅读之--Light-LOAM( 基于图匹配的轻量级激光雷达里程计和地图构建)
精选经典文献阅读之--mlcc(多激光雷达与相机外参标定)
精选经典文献阅读之--RaLF(激光雷达地图中基于流的全局和度量雷达定位)
精选经典文献阅读之--A Survey on Generative Diffusion Models(扩散模型最新综述)
经典文献阅读之--MV-Map(具有多视图一致性的非车载高精度地图生成)
经典文献阅读之--VICET(激光雷达运动畸变校正)
经典文献阅读之--HBA(大规模LiDAR一致性建图BA)
精选经典文献阅读之--BEVTrack(鸟瞰图中点云跟踪)
经典文献阅读之--DMD(效果媲美双目与RGBD的单目深度估计)
精选经典文献阅读之--Scale jump-aware pose graph...(尺度跳跃感知位姿图)
精选经典文献阅读之--InsightMapper(深入研究矢量化高精地图的内部实例信息)
精选经典文献阅读之--AnyLoc(超强通用视觉位置识别)
精选经典文献阅读之--LOG-LIO(高效局部几何信息估计的激光雷达惯性里程计)
精选经典文献阅读之--OrienterNet(自动驾驶中基于网格的交通场景感知)
精选经典文献阅读之--U-CE(用于语义分割的不确定性感知交叉熵)
精选经典文献阅读之--VoxFormer(基于Transformer的3D语义场景补全)
精选经典文献阅读之--EA-NDT(利用语义分割提高NDT地图压缩和描述能力的框架)
精选经典文献阅读之--SST-Calib(激光雷达与相机的同步时空参数标定法)
精选经典文献阅读之--Traversability Analysis for Autonomous Driving...(Lidar复杂环境中的可通行分析)
精选经典文献阅读之--GCLO(用于无GPS室内环境的低漂移地面约束激光里程计)
精选经典文献阅读之--Online Map Vectorization for Autonomous Driving:(基于栅格化的在线地图矢量化)
精选经典文献阅读之--Fast and Robust Ground Surface Estimation...(均匀B样条采样快速估计地平面)
精选经典文献阅读之--DLIO(基于连续时间运动校正的轻量级激光雷达惯性导航系统)
精选经典文献阅读之--RLAD(城市环境中自动驾驶从像素进行强化学习)
精选经典文献阅读之--CVTNet(LiDAR数据地点识别的跨视图Transformer网络)
精选经典文献阅读之--A Dynamic Points Removal Benchmark... (动态点去除方案)
精选经典文献阅读之--LIW-OAM(LiDAR-IMU-编码器融合SLAM)
精选经典文献阅读之--NoPe-NeRF(优化无位姿先验的神经辐射场)
经典文献阅读之--Online Extrinsic Camera Calibration for Temporally Consistent IPM (IPM外参标定)
精选经典文献阅读之--Online Extrinsic Calibration(激光雷达,视觉和惯导外参在线标定)
精选经典文献阅读之--DAMS-LIO(基于iEKF的轻量级LiDAR惯性里程计)
精选经典文献阅读之--SRIF-based LiDAR-IMU Localization(SRIF的LiDAR-IMU自动驾驶鲁棒定位)
精选经典文献阅读之--R-PCC(基于距离图像的点云压缩方法)
精选经典文献阅读之--VIP-SLAM(紧耦合RGB-D视觉惯性平面SLAM)
精选经典文献阅读之--NICE-SLAM(SLAM的神经隐含可扩展编码)
精选经典文献阅读之--A Review of Motion Planning(轨迹规划回顾)
精选经典文献阅读之--ERASOR(栅格占用过滤动态障碍物)
精选经典文献阅读之--PIBT(基于可见树的实时规划方案)
经典文献阅读之--A Lifelong Learning Approach to Mobile Robot Navigation(终生学习轨迹导航)
经典文献阅读之--PCAccumulation(动态三维场景构建)
经典文献阅读之--VGICP(体素化的ICP匹配)
经典文献阅读之--Orbeez-SLAM(单目稠密点云建图)
经典文献阅读之--NORLAB-ICP(重力约束ICP)
经典文献阅读之--FastFlowNet(轻量光流估计)
经典文献阅读之--Bidirectional Camera-LiDAR Fusion(Camera-LiDAR双向融合新范式)
经典文献阅读之--BEVDistill(BEV蒸馏)
经典文献阅读之--Dynamic-VINS(动态点滤除VINS)
经典文献阅读之--LIO-PPF(增量平面预拟合LIO)
经典文献阅读之--GraphGNSSLib(因子图GNSS优化)
经典文献阅读之--Lifelong SLAM(变化环境中Lifelong定位建图)
经典文献阅读之--DOGM(动态占用网格图)
经典文献阅读之--VoxelMap(体素激光里程计)
经典文献阅读之--MSC-VO(曼哈顿和结构约束VIO)
经典文献阅读之--Cartographer_glass(激光SLAM中玻璃物体的检测)
经典文献阅读之--Fast-BEV(实时鸟瞰图感知)
经典文献阅读之--FlowFormer(Transformer结构光流估计)
经典文献阅读之--Probabilistic Semantic Mapping for Urban Autonomous Driving Applications(概率语义地图构建)
经典文献阅读之--NeRF-SLAM(单目稠密重建)
经典文献阅读之--Multi-modal Semantic SLAM(多模态语义SLAM)
经典文献阅读之--M-LOAM(多激光雷达在线标定方案)
经典文献阅读之--Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping(紧耦合3D激光雷达)
经典文献阅读之--Swin Transformer
经典文献阅读之--PL-SLAM(点线SLAM)
经典文献阅读之--PON
经典文献阅读之--On Degeneracy of Optimization-based State Estimation Problems(防止非线性优化退化)
经典文献阅读之--Translating Images into Maps(鸟瞰图分割)
经典文献阅读之--BoW3D
经典文献阅读之--FEC
经典文献阅读之--Cam2BEV
经典文献阅读之--Yolov7
经典文献阅读之--DLO
经典文献阅读之--SuMa++
经典文献阅读之--Deformable DETR
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信