0. 简介 将SLAM应用于机器人应用中,可靠性和效率是两个最受重视的特性。本文《Light-LOAM: A Lightweight LiDAR Odometry and Mapping based on Graph-Matching》考虑在计算能力有限的平台上实现可靠的基于激光雷达的SLAM功能。首先与大多数选择点云配准的显著特征的方法相反,我们提出了一种非显著特征选择策略,以提高可靠性和鲁棒性
0. 简介 多激光雷达与相机外参标定对于机器人和自动驾驶领域来说是非常关键的,特别是对于固态LiDAR而言,其中每个LiDAR单元的视场(Field-of-View,FoV)非常小,通常需要集体使用多个单元。大多数外部标定方法是针对360°机械旋转LiDAR提出的,其中假设视场与其他LiDAR或相机传感器重叠。很少有研究工作专注于小FoV LiDAR和相机的标定,也没有关注标定速度的提高。在《Ta
0. 简介 激光雷达地图中基于流的全局和度量雷达定位。自主机器人的定位是至关重要的。尽管基于相机和激光雷达的方法已经得到大量研究,但是它们会受到恶劣的光照和天气条件的影响。因此,最近雷达传感器由于其对这种条件固有的鲁棒性而受到关注。在《RaLF: Flow-based Global and Metric Radar Localization in LiDAR Maps》中,我们提出了RaLF,这是
0. 简介 本文综述了深度生成模型,特别是扩散模型(Diffusion model),如何赋予机器类似人类的想象力。扩散模型在生成逼真样本方面显示出巨大潜力,克服了变分自编码器中的后分布对齐障碍,缓解了生成对抗网络中的对抗性目标不稳定性。 扩散模型包括两个相互连接的过程:一个将数据分布映射到简单先验分布的前向过程和一个相应的反向过程。前向过程类似于具有时变系数的简单布朗运动。神经网络通过使用去噪评
0. 简介 局部的高精地图现在在自驾领域越来越受到关注,鸟瞰图(BEV)感知模型可以用于通过更少的人力构建高精度地图(HD-Maps)。虽然在线的局部地图推算是非常有必要的,但是它们的结果通常不可靠,并且表明从不同视角预测的高精度地图存在明显的不一致性。这是因为BEV感知通常是以“车载”方式设置的,其计算资源有限,这阻碍了算法同时推断多个视图。《MV-Map: Offboard HD-Map Ge
0. 简介 激光雷达的畸变矫正是一个非常重要的工作。由于扫描式激光雷达传感器需要有限的时间来创建点云,所以一次扫描过程中传感器的运动会导致点云发生畸变,这种现象被称为运动畸变或者卷帘快门。运动畸变校正方法已经存在,但是它们依赖于外部测量或者多次激光雷达扫描上的贝叶斯滤波。《Correcting Motion Distortion for LIDAR HD-Map Localization》一文提出
0. 简介 重建准确一致的大规模LiDAR点云地图对于机器人应用至关重要。现有的解决方案,即位姿图优化,虽然时间效率高,但并未直接优化地图的一致性。最近提出了LiDAR捆绑调整(BA)来解决这个问题,然而在大规模地图上它耗时过长。为了缓解这个问题,本文《Large-Scale LiDAR Consistent Mapping using Hierarchical LiDAR Bundle Adju
0. 简介 本文介绍了BEVTrack:鸟瞰图中点云跟踪的简单基线。由于点云的外观变化、外部干扰和高度稀疏性,点云的3D单目标跟踪(SOT)仍然是一个具有挑战性的问题。值得注意的是,在自动驾驶场景中,目标物体通常在连续帧间保持空间邻接,多数情况下是水平运动。这种空间连续性为目标定位提供了有价值的先验知识。然而,现有的跟踪器通常使用逐点表示,难以有效利用这些知识,这是因为这种表示的格式不规则。因此,
0. 简介 深度估计任务是计算机视觉领域中的一个重要任务,旨在从单个或多个图像中推断出场景中物体的距离或深度信息。深度估计任务对于理解场景的三维结构、实现虚拟现实、增强现实、自动驾驶以及机器人导航等应用都具有重要意义。常用的深度估计算法包括:单目深度估计、双目深度估计、RGBD深度估计等。由于当前的单目深度估计算法效果不理想、而RGBD深度估计不仅需要依赖于RGBD相机,而且成本和功耗比较高,因而
0. 简介 我们常说的位姿图松弛指的就是基于闭环检测的边进行位姿图优化。而位姿图松弛已成为SLAM中不可或缺的补充,能够在满足逐对相对变换约束的目标下,实现传感器参考帧的高效全局配准。这些约束可以通过增量运动估计或全局地点识别来给出。尽管后一种情况可以实现闭环和漂移补偿,但在单目情况下需要注意,局部结构和位移的估计与实际情况可能不同,不仅在噪声方面,还可能存在尺度因子方面的差异。由于尺度传播误差的
0. 简介 高精地图作为自动驾驶中最关键的组成部分,矢量化高精(HD)地图包含有关周围道路元素的详细信息,这对于现代自动驾驶汽车的各项下游任务是至关重要的,例如车辆规划和控制。最近的工作试图直接检测矢量化高精地图,将其作为点集预测任务,从而显著提高了检测性能。然而,这些方法无法分析并且利用预测点之间的内部实例相关性,这阻碍了进一步的发展。《INSIGHTMAPPER: A CLOSER LOOK
0. 简介 视觉位置识别是一个非常重要也非常有趣的工作,本质上都可以归类为构建图像数据库+查询图像检索的过程。现在的主要问题是,很多识别算法都是针对特定环境进行的,换一个环境很可能直接就挂掉了。一个真正通用的位置识别算法需要做到的是:任何地点(无缝地运行在任何环境中,包括空中、地下和水下),任何时间(对场景中的时间变化,如昼夜或季节变化,或对临时物体具有鲁棒性),以及跨任何视角(对视角变化具有鲁棒
0. 简介 局部几何信息即法线和点分布在基于激光雷达的同时定位与地图构建(SLAM)中是至关重要,因为它为数据关联提供了约束,进一步确定了优化方向,最终影响姿态的准确性。然而即使在使用KD树或体素图的辅助下,估计法线和点分布也是耗时的任务。为了实现快速法线估计,《LOG-LIO: A LiDAR-Inertial Odometry with Efficient Local Geometric In
0. 简介 使用神经网络来匹配2D公开地图的做法是一个很有趣的方法,人们可以使用简单的2D地图在3D环境中指明自己所处的位置,而大部分视觉定位算法则依赖于昂贵的、难以构建和维护的3D点云地图。为了弥合这一差距《OrienterNet: Visual Localization in 2D Public Maps with Neural Matching》提出了第一个能够在人类经常使用的语义2D地图中
0. 简介 深度神经网络在各项任务中均展现出卓越的性能,但是它们缺乏鲁棒性、可靠性以及过于自信的倾向,这给它们在自动驾驶等安全关键应用中的部署带来挑战。在这方面,量化模型预测所固有的不确定性是解决这些缺陷的有希望的努力方向。在《U-CE: Uncertainty-aware Cross-Entropy for Semantic Segmentation》中提出了一种新型的不确定性感知交叉熵损失(U
0. 简介 之前了解了很多BEV的相关操作,但是基本上要么是激光和视觉结合,要么是纯视觉完成的2D激光投影这两种,而那种3D Occupancy方法可以利用栅格的方法完成纯视觉占据栅格的生成。《VoxFormer: Sparse Voxel Transformer for Camera-based 3D Semantic Scene Completion》就是这种方法对于被遮挡的物体和场景,人们可
0. 简介 对于NDT而言,相信各位应该都有所了解了,但是作为高精地图来说性能还需要进一步提升,为此《Towards High-Definition Maps: a Framework Leveraging Semantic Segmentation to Improve NDT Map Compression and Descriptivity》一文提出了一种利用语义分割提高NDT地图压缩和描述
0. 简介 借助多种输入模态的信息,基于传感器融合的算法通常优于单模态。具有互补语义和深度信息的相机和激光雷达是复杂驾驶环境中的典型传感器配置。然而,对于大多数相机和激光雷达融合的算法,传感器的标定将极大地影响性能。具体来说,检测算法通常需要多个传感器之间的精确几何关系作为输入,并且默认传感器的时间戳是同步的。《SST-Calib: Simultaneous Spatial-Temporal Pa
0. 简介 对于自动驾驶来说,复杂环境的可通行是最需要关注的任务。《Traversability Analysis for Autonomous Driving in Complex Environment: A LiDAR-based Terrain Modeling Approach》一文提出了用激光雷达完成建图的工作,其可以输出稳定、完整和精确的地形建模以及可通行分析结果。由于地形是环境的固
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
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--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