- 博客(405)
- 资源 (16)
- 收藏
- 关注
RSS订阅
原创 三维点云分割综述
点云PCL免费知识星球，点云论文速读。标题：三维点云分割综述（上）排版：particle欢迎各位加入免费知识星球，获取PDF文档，欢迎转发朋友圈，分享快乐。这是一篇综述性论文，以下只做概...
2020-10-20 07:00:00
11018
1
原创 使用深度学习的三维点云分类的介绍
在过去的这些年里，对二维图像已经有了大量深入的研究，并且有着长足的发展。它在分类任务上取得了极好的结果主要得益于一下两个关键因素： **1.卷积神经网络。 2.数据 - 大量图像数据可用。**但是对于3D点云，数据正在迅速增长。大有从2D向3D发展的趋势，比如在opencv中就已经慢慢包含了3D点云的处理的相关模块，在数据方面点云的获取也是有多种渠道， 无论是源于CAD模型还是来自LiDA...
2018-03-22 11:56:30
15131
4
原创 Kimera2: 面对真实路况中强大且具有准确尺度的语义SLAM
在先前的研究中，我们展示了Kimera-PGMO对于网格重建的影响。本文讨论了我们对Kimera开源版本进行的一些改进，这些改进将作为Kimera各个模块的版本更新的一部分向公众发布，包括关键模块如Kimera-VIO、Kimera-Semantics、Kimera-RPGO和Kimera-PGMO。展示了自2019年发布以来添加到Kimera的一些功能的消融研究，并与现有技术（特别是ORB-SLAM3和VinsFusion）进行了比较，评估了Kimera的优势和劣势以及它在各种平台上的多功能性。
2024-02-02 16:52:09
516
原创 MC-NeRF: 多相机神经辐射场
文章：MC-NeRF: Muti-Camera Neural Radiance Fields for Muti-Camera Image Acquisition Systems作者：Yu Gao，Lutong Su, Hao Liang，Yufeng Yue， Yi Yang, Mengyin Fu编辑：点云PCL欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加
2024-02-02 10:37:58
830
原创 LiLO：基于深度图滤波的轻量且低偏差的激光雷达里程计方法
为了使我们的方法更加轻量级，它不生成场景的全局地图，而是使用帧到局部地图的技术，为了降低计算成本，使用KD-Tree索引方法生成局部地图，并且随着机器人平移的增加，持续清理此地图。本节展示了LiLO里程计方法的实验和结果。这通过将三维坐标点云数据Pk转换成球面投影，形成水平方向-PI<theta<pi和垂直方向-pi/2<phi<pi/2的范围，通过将sri转换为矩阵i，其中通过将原始角度 θ 和 ϕ 转换为新的角度范围0<θ<360，为了将 I 的结果呈现为图像，将距离值进行归一化处理，生成灰度图像。
2024-02-02 10:28:51
837
原创 基于激光雷达的路沿检测用于自动驾驶的真值标注
虽然在没有预标注和有预标注的情况下获得的值之间没有主要差异，主要是因为最终是人类标注者做所有标注，但我们确实注意到在使用我们的方法生成的预标注时，标注的质量略有提高。然后，一个后处理步骤对扫描级别的检测进行了优化，并为整个输入序列提供了路沿的预标注，这可以作为标注工具的输入，并表示为符合ASAM OpenLabel标准的折线。图5中显示了使用标记的路沿的标注工具的示例。由于LiDAR点云的稀疏和低分辨率特性，手动标注的过程通常是一项复杂而繁琐的任务，尤其是路沿的标注，需要标注者具备一定的技能。
2024-01-12 10:17:15
523
原创 鱼眼摄像头畸变校正方法概述
非对称径向畸变是类似于上述的径向畸变效应，但与对称径向畸变不同，非对称径向畸变表征的是依赖于图像中心距离以及被成像对象距离有多远的畸变效应。与以往的径向畸变模型不同，后者是基于点距离图像中心的远近（半径），康拉-布兰特将畸变表征为通过镜头的光的入射角度的函数。在本节中，我们讨论了各种用于鱼眼相机畸变校正的最新方法，旨在将畸变的鱼眼图像转换为经过校正的图像，使其类似于理想针孔相机捕获的图像。通过在大量畸变和未畸变鱼眼图像对的数据集上训练CNNs，它们可以学习预测给定鱼眼图像的无畸变版本的基本模式和关系。
2024-01-12 09:36:25
393
原创 NeRF-LOAM: 大规模增量式激光雷达里程计和地图构建的神经隐式表示
对三个公开可用数据集的广泛评估表明，我们的方法在利用激光雷达数据的大规模环境中实现了最先进的里程计和地图构建性能，以及强大的泛化能力。我们设计了一种有效可扩展的方法来动态生成体素嵌入，通过扩展查找表并通过最大Morton码更新，以存储体素的访问信息，未访问的体素将被分配初始化的嵌入，并通过当前嵌入编号更新查找表，从而消除耗时的循环查询，与神经里程计类似，我们通过采样射线和点来计算损失，主要优化体素嵌入同时微调姿势。我们的建图方法的优越性也在图6和图7中明显，我们的重建是最完整的，特别是在地面方面。
2024-01-12 09:35:28
517
原创 occNeRF：使用神经辐射场进行多摄像头自监督占据预测
文章：OccNeRF: Self-Supervised Multi-Camera Occupancy Prediction with Neural Radiance Fields作者：Chubin Zhang, Juncheng Yan , Yi Wei ,Jiaxin Li, Li Liu, Yansong Tang , Yueqi Duan, Jiwen Lu编辑：点云PCL欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。摘要作为基于视觉
2024-01-12 09:34:36
413
原创 激光雷达里程计的最新进展和挑战
这些方法包括完全依赖激光雷达的方法、将激光雷达与 IMU 相结合的方法、涉及多个激光雷达的策略以及将激光雷达与其他传感器模式相融合的方法。虽然有大量的激光雷达里程计文献，但遗憾的是，没有放之四海而皆准的解决方案。多个激光雷达可提供更广泛的扫描覆盖范围，减少额外传感器的干扰，整合多个激光雷达的不同扫描帧模式可提高扫描记录的准确性，从而超越对单一激光雷达非重复扫描模式的依赖。激光雷达可根据其不同的成像结构和测量原理进行分类，激光雷达的成像机制可分为三大类：机械激光雷达、扫描固态激光雷达和非扫描结构的激光雷达。
2024-01-12 09:33:34
1410
原创 用于智驾车辆的相机-IMU外参监控
同样，我们人为引入预标定的外参的位移。因此将特征点的集合缩小到道路上的静态点，并利用几何特性开发了一个多项式算法，通过不同的误差度量来识别这些不匹配，使用模拟数据和真实的KITTI数据集在具有挑战性的场景中的实验证明，我们的算法对于根据三个众所周知的误差度量（即Sampson误差、残差误差和对称极线距离）鲁棒地识别传感器校准质量差是有效的。使用了包含来自绕城市卡尔斯鲁厄（图6）行驶的车辆捕捉的各种街景的摄像头图像和IMU读数的KITTI数据集，以评估我们的相机到IMU外参监测算法在实际环境中的性能。
2024-01-12 09:29:47
57
原创 Mesh-LOAM：基于网格的实时激光雷达里程计和建图方案
在四个数据集上的实验结果证明了我们提出的方法在生成准确的运动轨迹和环境网格图方面的有效性。为了评估我们提出的方法的建图质量，将我们的方法与三种最先进的方法进行了比较，包括基于 TSDF 融合的方法 VDB Fusion、基于 Possion 回归的方法 Puma和基于学习的方法 SHINE-Mapping。本文采用了与 Puma和 SLAMesh类似的点对网格配准方法，可用于提高里程计精度，由于扫描帧到模型的匹配效果优于传统的扫描帧到扫描帧的匹配，我们的网格表示是通过连续累积的扫描帧计算得出的。
2024-01-12 09:29:04
34
原创 NeRF作者简述NeRF的历史与发展
文章：NeRFs: The Search for the Best 3D Representation作者：Ravi Ramamoorthi编辑：点云PCL欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系[email protected]。侵权或转载联系微信cloudpoint9527。摘要神经辐射场（NeRF）已成为多视图合成或
2024-01-12 09:27:56
61
原创 从不同场景地图的视角对单目相机进行重定位的方案综述
主要内容包括：对MRL问题的定义和挑战的深入讨论，与现有综述的比较，MRL方法根据地图表示形式的分类，公共数据集的回顾和典型MRL方法的性能评估，以及对不同类型MRL方法的优缺点进行分析。具有HD地图的MRL（HD-MRL）被认为是批量生产车辆的有效解决方案，HD-MRL方法的基本公式包括从图像中识别HD地图的语义元素，然后通过将图像中检测到的2D元素与HD地图中相应的3D元素对齐来估计姿势。在给定准确的2D-3D对应关系的情况下，PnP是一个成熟的问题，可以得到很好的解决，可以精确地估计姿势。
2024-01-03 15:04:04
1000
原创 深入研究矫正单应性矩阵用于立体相机在线自标定
在多对图像的情况下，可能存在更复杂的相机配置或者场景几何关系，因此需要对所有图像对的参数进行联合优化，以获得更为准确和鲁棒的结果。通过对我们的算法在我们创建的数据集和KITTI 2015数据集上的综合性能进行全面分析，我们相信我们的算法对图像质量不太敏感，即使在图像具有运动引起的模糊时，也能提供可行的解决方案。如图 4 所示，未校正的立体图像估计的视差图质量较差，而使用我们提出的算法自标定和校正后的立体图像估计的视差图在准确性上表现更好，错误区域更少，相较于基线算法[3]得到的视差图有明显的改善。
2024-01-03 15:02:47
919
原创 图像和LiDAR点云的可微分配准
然而这些方法在将点和像素鲁棒地映射到共享的潜在空间方面存在困难，因为点和像素具有非常不同的特征，用不同的方式学习模式，而且它们也无法直接在变换上构建监督，因为PnP是不可微分的，导致不稳定的配准结果。对于2D到3D的匹配，我们在交叉区域的每个2D像素上寻找相似度最大的点，计算投影匹配点与2D像素之间的欧拉距离，结果显示我们的方法在2D到3D和3D到2D匹配中均明显优于CorrI2P。我们的方法通过端到端训练框架，结合概率PnP求解器，能够学习稳健的2D-3D对应关系，实现了更准确的预测，如表1。
2024-01-03 15:00:57
1021
原创 Cam4DOcc: 基于摄像头的4D占据网格预测的自动驾驶应用
基于我们的Cam4DOcc基准，进行了多个实验，涉及四种不同的任务，以全面评估所提出的基线以及我们的OCFNet。至于现有的不考虑语义的占据预测算法，它们需要LiDAR点云作为必要的先验信息来感知周围的空间结构，而基于LiDAR的解决方案比摄像头解决方案更具环境感知的稠密性和昂贵性。这个实验揭示了Cam4DOcc为什么在占据预测任务中建议使用膨胀的GMO注释的原因：仅使用摄像机图像预测可移动对象的复杂未来3D结构非常困难，而预测膨胀的GMO可能促进更可靠和更安全的自动驾驶导航。实验结果显示在表III中。
2024-01-03 14:58:36
1360
原创 当视觉遇到毫米波雷达：自动驾驶的三维目标感知基准
然而，由于不同的传感器具有不同的视场（FOV），而且远处物体的点云通常是稀疏的，我们只在重叠区域内标注了对象，如图3所示。为确保每个相机/雷达帧都有一个相应的激光雷达帧进行注释，我们将连续三帧（即1/10秒时间窗口）内捕获的点云累积为一个完整的帧，这意味着我们的激光雷达的帧率为10 FPS，如表2中所述。为了填补这方面的不足，我们引入了一个新的数据集名为CRUW3D，其中包含66,000帧同步的摄像机、毫米波雷达和激光雷达数据，涵盖了各种驾驶场景，并带有对象3D边界框和轨迹标注。详细规格列在表2中。
2023-12-11 20:09:48
1031
1
原创 K-Radar：适用于各种天气条件的自动驾驶4D雷达物体检测
在这项工作中，我们引入了KAIST-Radar（K-Radar），这是一个新颖的大规模对象检测数据集和基准，包含35K帧的4D雷达张量（4DRT）数据，其中包含了多普勒、距离、方位和俯仰角维度上的功率测量，并配有标注的3D边界框标签。此外，我们发布了完整的开发工具包（devkits），包括：（1）基于4DRT的神经网络的训练/评估代码，（2）标定/校准工具，和（3）用于加速4DRT感知领域研究的可视化工具。提出了一个新颖的基于4DRT的数据集和基准，即K-Radar，用于3D对象检测。
2023-12-06 21:04:29
904
原创 激光雷达生成的图像检测关键点用来辅助里程计的方案
OS0-128生成的图像如图2所示，包括信号图像、反射率图像、近红外图像和距离图像，其覆盖了360°×90°的广阔视野， 信号图像是给定点返回到传感器的光信号强度的表示，它取决于诸如入射角、与传感器的距离以及物体的材料特性等各种因素。在我们的实现中，我们采用了一种称为“带交叉检查的暴力匹配”的技术，这意味着对于图像A中的给定描述符DA和图像B中的另一个描述符DB，有效的对应需要这两个描述符相互识别对方作为它们的最近描述子。相反，缩小的图像图 4a 显示了明显的关键点，例如房间的角落和各个物体平面相交的点。
2023-12-06 19:42:00
937
原创 Auto4D：从时序点云标注4D物体
最后提供模型的训练和推断的详细信息。我们在一个带有高质量人工标注的真实驾驶数据集上验证了提出的模型，以较高的阈值（0.9 IoU）评估框的一致性，以反映实际标注的标准，并通过计算满足此阈值的自动生成的边界框的百分比来近似时间节省，因此不需要进一步的人工输入。图4将Auto4D的结果与输入的嘈杂轨迹进行比较，发现Auto4D为静止对象生成更准确的边界框，而对于移动对象，由于固定大小的约束，即使对象远离自车并且观测非常稀疏，我们也能够正确地估计对象的位置，总体而言，生成的轨迹更加平滑和自然。
2023-12-06 19:41:26
993
原创 Lidar-SLAM的历史与现状
文章：LiDAR-based SLAM for robotic mapping: state of the art and new frontiers作者：Xiangdi Yue and Miaolei He编辑：点云PCL欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。未经博主同意请勿擅自转载。公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系[email protected]。未经作者允
2023-12-06 19:40:43
1000
原创 COLMAP-SLAM：一个视觉里程计的框架
目前，仅支持单目场景的闭环检测。本文的目的是了解COLMAP在实时运行时的潜力，重点关注计算工作量和恢复的相机姿势的准确性，据作者所知，这是COLMAP的首个开源实现，用于执行V-SLAM任务，包括多摄像机支持、对不同局部特征的支持以及GNSS数据的集成。使用Machine Hall数据集2和3进行了单目和双目的比较，在双目情况下，RMSE是通过cam0的估计轨迹和地面真实轨迹之间的6参数变换计算的，因为已知尺度因子的估计，单目情况下的RMSE是从与立体相同的轨迹计算的，而不修正尺度。
2023-12-06 19:39:51
1126
原创 浙江大学提出的RD-VIO: 动态环境中稳健视觉惯性里程计增强现实技术
文章：RD-VIO: Robust Visual-Inertial Odometry for Mobile Augmented Reality in Dynamic Environments作者：Jinyu Li , Xiaokun Pan , Gan Huang, Ziyang Zhang, Nan Wang, Hujun Bao, Guofeng Zhang编辑：点云PCL欢迎各位加入知识星球...
2023-11-24 08:00:36
906
原创 Colmap-PCD：一种用于图像到点云配准的开源工具
文章：Colmap-PCD: An Open-source Tool for Fine Image-to-point cloud Registration作者：Chunge Bai , Ruijie Fu and Xiang Gao编辑：点云PCL代码：https://github.com/XiaoBaiiiiii/colmap-pcd.git欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。...
2023-11-22 08:04:43
768
原创 在毫米波雷达里程计中是否需要扫描帧匹配？
文章：Do we need scan-matching in radar odometry?作者：Vladim´ır Kubelka, Emil Fritz and Martin Magnusson编辑：点云PCL数据集：https://github.com/kubelvla/mine-and-forest-radar-dataset欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学...
2023-11-20 08:00:31
83
原创 SAGE-ICP：语义信息辅助的ICP方法
文章：SAGE-ICP: Semantic Information-Assisted ICP作者：Jiaming Cui, Jiming Chen, and Liang Li编辑：点云PCL欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。公众号致力于点云处理，SLAM，三维视觉，高精地图等领域相关内容的干货分享，欢迎各位加入，有兴趣的可联系dianyunp...
2023-11-17 08:01:06
151
原创 P2O-Calib: 利用点云空间的遮挡关系的相机-LiDAR标定
文章：P2O-Calib: Camera-LiDAR Calibration Using Point-Pair Spatial Occlusion Relationship作者：Su Wang , Shini Zhang, Xuchong Qiu编辑：点云PCL欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。公众号致力于点云处理，SLAM，三维视觉，高精地...
2023-11-15 08:00:59
127
原创 基于多LiDAR城市自动驾驶定位与地图构建方案
文章：Multi-LiDAR Localization and Mapping Pipeline for Urban Autonomous Driving作者：Florian Sauerbeck , Dominik Kulmer, Markus Pielmeier , Maximilian Leitenstern , Christoph Weiß , and Johannes Betz编辑：点云P...
2023-11-13 08:01:09
90
原创 浅析CC中的点云配准为什么效果好于PCL？
公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起交流一起进步,有兴趣的可联系微信：cloudpoint9527。本文来自点云PCL博主的分享，未经作者允许请勿转载，欢迎各位同学积极分享和交流。前言一些小伙伴说“感觉CloudCompare中的点云配准要比PCL中的配准效果要好”，这是为什么呢？这里先说一下我的大致的理解，从算法实现上，虽然CC也是使用了...
2023-11-10 22:00:36
205
原创 相机与LiDAR安装位置对自动驾驶中的三维物体检测的影响
文章：Influence of Camera-LiDAR Configuration on 3D Object Detection for Autonomous Driving作者：Ye Li，Hanjiang Hu， Zuxin Liu，Ding Zhao编辑：点云PCL欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。公众号致力于点云处理，SLAM，三维...
2023-11-08 08:01:37
74
原创 学习PCL库：PCL中的配准模块介绍
公众号致力于分享点云处理，SLAM，三维视觉，高精地图相关的文章与技术，欢迎各位加入我们，一起交流一起进步,有兴趣的可联系微信：cloudpoint9527。本文来自点云PCL博主的分享，未经作者允许请勿转载，欢迎各位同学积极分享和交流。前言将多个数据集合并成一个全局一致的模型通常使用一种称为"配准"的技术来完成。其关键思想是识别数据集之间的对应点，并找到一个最小化对应点之间距离的变换关系。由于对...
2023-11-06 08:00:23
404
原创 EdgeCalib：基于多帧加权边缘特征的非目标LiDAR-camera标定
文章：EdgeCalib: Multi-Frame Weighted Edge Features for Automatic Targetless LiDAR-Camera Calibration作者：Xingchen Li, Yifan Duan, Beibei Wang, Haojie Ren, Guoliang You, Yu Sheng,Jianmin Ji, Yanyong Zhang编...
2023-11-03 08:02:45
112
原创 点云基础及PCL库有哪些模块？
点击“蓝字”关注我们，选择“星标”获取最新文章点云基础点云定义 定义：通过测量仪器（激光，三维相机）得到的产品外观表面的点数据集合也称之为点云。 通常使用三维坐标测量机所得到的点数量比较少，点与点的间距也比较大，叫稀疏点云；而使用三维激光扫描仪或照相式扫描仪得到的点云，点数量比较大并且比较密集，叫密集点云或者叫稠密点云。对点云理解 点云是在和目标物体表面特性的海量点集合。根据激...
2023-11-02 08:00:17
87
原创 OpenAnnotate3D：一个目标取代人类的标注工具
文章：OpenAnnotate3D: Open-Vocabulary Auto-Labeling System for Multi-modal 3D Data作者：Yijie Zhou, Likun Cai, Xianhui Cheng, Zhongxue Gan, Xiangyang Xue, and Wenchao Ding编辑：点云PCL代码：https://github.com/Fudan...
2023-11-01 08:01:01
135
原创 双雷达数据集：用于自动驾驶的双雷达多模态数据集
文章：Dual Radar: A Multi-modal Dataset with Dual 4D Radar for Autononous Driving作者：Xinyu Zhang, Li Wang, Jian Chen, Cheng Fang, Lei Yang, Ziying Song, Guangqi Yang, Yichen Wang, Xiaofei Zhang, Qingshan ...
2023-10-30 08:00:47
176
1
原创 概述自动泊车系统中的计算机视觉的设计、实施和挑战
文章：Computer Vision in Automated Parking Systems: Design, Implementation and Challenges作者：Markus Heimbergera , Jonathan Horganb , Ciaran Hughesb , John McDonaldb , Senthil Yogamani编辑：点云PCL欢迎各位加入知识星球，获取...
2023-10-27 08:00:42
88
原创 OCC-VO：生成面向自动驾驶的基于3D占用栅格的视觉里程计稠密地图
文章：OCC-VO: Dense Mapping via 3D Occupancy-Based Visual Odometry for Autonomous Driving作者：Heng Li, Yifan Duan, Xinran Zhang, Haiyi Liu, Jianmin Ji and Yanyong Zhang编辑：点云PCL代码：https://github.com/USTCLH/...
2023-10-25 08:00:24
268
原创 4DRadarSLAM: 基于位姿图优化的大规模环境下的4D成像雷达SLAM系统
文章：4DRadarSLAM: A 4D Imaging Radar SLAM System for Large-scale Environments based on Pose Graph Optimization作者：Jun Zhang, Huayang Zhuge , Zhenyu Wu, Guohao Peng, Mingxing Wen, Yiyao Liu and Danwei Wan...
2023-10-20 08:01:17
361
原创 Light-LOAM: 基于图匹配的轻量级激光雷达里程计和地图构建
文章：Light-LOAM: A Lightweight LiDAR Odometry and Mapping based on Graph-Matching作者：Shiquan Yi, Yang Lyu Member, IEEE, Lin Hua, Quan Pan Member, IEEE, Chunhui Zhao编辑：点云PCL开源：https://github.com/BrenYi/Li...
2023-10-18 08:00:10
202
demo_qt_exe_vs2015.rar
2020-01-10
QT5.8+PCL1.8.1+VTK8.0.rar
2020-01-09
deep learning caffe入门
2018-03-27
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人