0. 简介 多波束激光雷达传感器,常用于自动驾驶汽车和移动机器人,获取三维范围扫描序列(“帧”)。由于角度扫描分辨率有限和遮挡,每帧只稀疏地覆盖场景。稀疏性限制了下游过程的性能,如语义分割或表面重建。幸运的是,当传感器移动时,从不同的视点捕获帧。这提供了补充信息,并在公共场景坐标系中累积时,产生了更密集的采样和对基础三维场景的更全面覆盖。然而,扫描的场景通常包含移动的物体。仅通过补偿扫描仪的运动
0. 简介 之前我们在以前的文章中介绍了很多有关于点云匹配相关的知识,最近两年处理GICP这一大一统的ICP匹配方法以外,还有一个工作对体素化和ICP这两者打起了心思,《Voxelized GICP for Fast and Accurate 3D Point Cloud Registration》提出了一种体素化的广义迭代最近点(VGICP)算法,用于快速、准确地进行三维点云配准。该方
0. 简介 对于现在的VSLAM而言,现在越来越多的工作开始聚焦于如何将深度学习结合到VSLAM当中,而最近的这个工作就给出了一个比较合适的方法。《Orbeez-SLAM: A Real-time Monocular Visual SLAM with ORB Features and NeRF-realized Mapping》这篇文章,可以轻松适应新的场景,而不需要预先训练,并实时为下游任务生
0. 简介 最近几年IPC相关的文章也出了不少,最近作者有看到了一篇比较有意思的ICP论文—-《Gravity-constrained point cloud registration》,这篇论文将传统的ICP考虑了重力因素,高频率的IMU数据弥补了低频的传感器数据。除此之外,可以从重力向量中获取三自由度姿态中的两个。在视觉里程计中,IMU已经被用来将6自由度位姿估计转换为4自由度。在lidar
0. 简介 密集的光流估计在许多机器人视觉任务中起着关键作用。随着深度学习的到来,已经比传统方法以令人满意的精度预测了它。然而,当前的网络经常占用大量参数并且需要沉重的计算成本。这些缺点阻碍了在功率或内存受限的移动设备上的应用。为了应对这些挑战,在本文《FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation》中,我们
0. 简介 对于激光雷达和视觉摄像头而言,两者之间的多模态融合都是非常重要的,而本文《Learning Optical Flow and Scene Flow with Bidirectional Camera-LiDAR Fusion》则提出一种多阶段的双向融合的框架,并基于RAFT和PWC两种架构构建了CamLiRAFT和CamLiPWC这两个模型。相关代码可以在 https://githu
0. 简介 之前作者前段时间在研究BEV的相关算法,当时就觉得BEV算法好是好,但是所需要的内存以及计算资源实在是太大了,无法实时在真实场景中运行。我们知道多视图(multi-view)三维目标检测具有低成本、高效率的特点,具有广阔的应用前景。然而,由于缺乏深度信息,通过透视图准确地检测目标是极其困难的。当前的方法倾向于为图像编码器采用重主干,使得它们不适用于现实世界的部署。与图像不同的是,激光
0. 简介 现在的SLAM算法在静态环境中表现良好,但在动态环境中很容易失败。最近的工作将基于深度学习的语义信息引入到SLAM系统以减轻动态对象的影响。然而,在资源受限的机器人的动态环境中应用鲁棒定位仍然具有挑战性。所以《RGB-D Inertial Odometry for a Resource-Restricted Robot in Dynamic Environments》提出了一种用于动
0. 简介 自从ikd-tree出来后,现在越来越多的工作瞄准了增量式这种方法,比如说激光惯导里程计(LIDAR-Inertial Odometry,LIO)的高精度跟踪通常涉及最小化点到平面距离的k最近邻(kNN)搜索,然而,这样做的成本是维护大型局部地图并为每个点执行kNN平面拟合。在《LIO-PPF: Fast LiDAR-Inertial Odometry via Incremental
0. 简介 之前我们看了许多VIO或者LIO的工作,而我们也需要关注在整个流程中GNss的作用,我们知道GNss自主系统提供全球参考定位的非常流行的手段之一。然而,信号反射与建筑物遮挡导致GNss定位性能在城市峡谷中受到很大挑战。鉴于GNss测量高度依赖环境且与时间有关,传统的基于滤波的GNss定位方法无法同时探索历史测量之间的时间相关性。因此,基于滤波的估计器对突的异常测量值很敏感。本文《To
0. 简介 商场、超市等大多数现实场景的环境随时都在变化。不考虑这些变化的预建地图很容易变得过时。因此,有必要拥有一个最新的环境模型,以促进机器人的长期运行。为此《A General Framework for Lifelong Localization and Mapping in Changing Environment》一文提出了一个通用的全生命周期同步定位和建图 (SLAM) 框架。该框
0. 简介 最近在群里被萌新询问2D激光雷达的工作还能做什么,我当时有点难以回答,cartographer作为2D的集大成者,留给后续工作者改进的地方已经很少了。直到我最近看到了这一篇文章《Dynamic Occupancy Grid Mapping with Recurrent Neural Networks》,也给我个人提供了一个比较新的方向,即动态栅格地图的更新方式。这里我们详细看一下这篇
0. 简介 作为激光里程计,常用的方法一般是特征点法或者体素法,最近Mars实验室发表了一篇文章《Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry》,同时还开源了代码在Github上。文中为雷达里程计提出了一种高效的概率自适应体素建图方法。地图是体素的集合,每个体素包含一个平
0. 简介 对于视觉里程计而言,在面对低纹理场景时,往往会出现退化的问题,究其原因是人造环境往往很难找到足够数量的点特征。而其他的几何视觉线索则是比较容易找到,在城市等场景中,通常表现出结构规律,如平行性或正交性,满足曼哈顿世界的假设。之前我们已经在《经典文献阅读之—PL-SLAM》文中介绍了点线SLAM的形式,相关的具体代码我们可以在Github上找到 1. 文章贡献 在本文章中,我们则进
0. 简介 对于激光雷达而言,玻璃等场景一直是漏检的主要问题,而如何去采用一种有效地方法能够完成激光雷达对室内场景的玻璃物体的检测和包含,这一直是研究重点。当LiDAR数据是主要的外部输入时,玻璃对象不能正确配准。这是因为入射光主要穿过玻璃对象或从光源反射,导致玻璃表面的距离测量不准确。而文章《Cartographer_glass: 2D Graph SLAM Framework using L
0. 简介 相信最近大家已经被Transformer给洗脑了,作者也在《多传感器融合综述—-FOV与BEV》中提到了深度学习相关的技术。这就随之带动的就是如何使用基于纯相机的鸟瞰图(BEV)感知技术来替代昂贵的激光雷达传感器,并使其能够应用在自动驾驶上,这目前是急需解决的问题,由于现在Transformer的计算仍然需要大量资源来执行车载推理,无法满足实时性。为此我们来看一下这一篇《Fast-B
0. 简介 对于视觉SLAM而言,除了使用特征点法来完成VIO以外,还可以使用光流法来完成VIO的估计。而传统的光流法受环境,光照变化严重,所以有时候会出现光流偏差等问题。所以现在有越来越多的工作朝着深度学习的方向扩展,比如说这一篇文章《FlowFormer: A Transformer Architecture for Optical Flow》,目前已经被ECCV 2022收录。这里作者也在
0. 简介 最近几年随着自动驾驶行业的火热,对高精地图的需求也日渐庞大。由于高精(HD)地图的相关可扩展性成本,需要不断的维护,并涉及繁琐的人工标签。这就导致需要大量的人力来做这样的事情,而是否存在一些比较简单的办法来完成道路、人行道、人行横道和车道等静态地标进行自动和准确的标注,这就是科研界几年中所需要关心的内容,本文主要围绕着这篇IROS 2020的文章《Probabilistic Sema
0. 简介 最近几年随着深度学习的发展,现在通过深度学习去预估出景深的做法已经日渐成熟,所以随之而来的是本文的出现《Real-Time Dense Monocular SLAM with Neural Radiance Fields》。这篇文章是一个结合单目稠密SLAM和层次化体素神经辐射场的3D场景重建算法,能实时地用图像序列实现准确的辐射场构建,并且不需要位姿或深度输入。核心思想是,
0. 简介 在复杂动态环境下,如何去建立一个稳定的SLAM地图是至关重要的。但是现在当前的SLAM系统主要是面向静态场景。目前相较于点云的分类与分割而言。视觉的识别与分割会更加容易。这就可以根据语义信息提高对环境的理解。文章《Multi-modal Semantic SLAM for Complex Dynamic Environments》提出了一个鲁棒的多模态语义框架去解决slam在复杂和动
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