Posted on   |   Updated on | In
Words count in article: 1k 字 | Reading time ≈ 4 分钟
　　检测的发展基本上是从 Anchor-based 这种稀疏的方式到 Anchor-free 这种密集检测方案演进的。相比于 Anchor-free 这种特征层像素级别的回归与分类来检测，更密集的方式，是直接作 Instance Segmentation，然后经过聚类等后处理来得到目标框属性。越密集 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 4.4k 字 | Reading time ≈ 21 分钟
　　非线性最小二乘(Non-linear Least Squares)问题应用非常广泛，尤其是在 SLAM 领域。LOAM，，Stereo-RCNN，Stereo Vision-based Semantic and Ego-motion Tracking for Autonomous Driving ...
Read more »

Posted on   |   Updated on | In
Words count in article: 2k 字 | Reading time ≈ 7 分钟
　　地图是机器人领域非常重要的模块，也可以认为是自动驾驶保障安全的基础模块。根据存储建模类型，地图可分为拓扑地图，栅格地图，点云地图等。Grid-Mapping 就是一种能在线检测静态障碍物的栅格地图。自动驾驶领域，地图的用处有： 高精度定位，一般是 3D 栅格地图，但是栅格中近似存储点云原始信息 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 1.1k 字 | Reading time ≈ 4 分钟
　　Bird-View 3D Detection 都是将点云离散化到 Voxel，有点的 Voxel 提取区域特征，无点的 Voxel 则置为空。而 LiDAR 的测量特性其实还包含更多的信息，Grid-Mapping 中较详细的阐述了 LiDAR 的测量模型，每个栅格可以标记为三个状态：UNKNO ...
Read more »

Posted on   |   Updated on | In
Words count in article: 1.2k 字 | Reading time ≈ 5 分钟
　　Voxel-based 点云特征提取虽然损失了一定的信息，但是计算高效。Voxel-based 方法一个比较大的问题是，由于点云分布的不均匀性，作卷积时会导致可能计算的区域没有点，从而不能有效提取局部信息。为了解决栅格化后栅格中点云分布的不均匀问题，目前看到的有以下几种方法： Deformab ...
Read more »

Posted on   |   Updated on | In
Words count in article: 652 字 | Reading time ≈ 2 分钟
　　Point-wise 特征提取在 PointCloud-Feature-Extraction 中已经有较为详细的描述，虽然 Point-wise 提取的特征更加精细，但是一般都有 KNN 构建及索引操作，计算量较大，而且实践中发现学习收敛较慢。Voxel-based 虽然理论上损失了一定的信息， ...
Read more »

Posted on   |   Updated on | In
Words count in article: 1.4k 字 | Reading time ≈ 5 分钟
　　点云的 Scene Flow 与 Semantic 一样是一个较低层的信息，通过 Point-Wise Semantic 信息可以作物体级别的检测，这种方式有很高的召回率，且超参数较少。同样，通过 Point-Wise Scene Flow 作目标级别的运动估计(当然也可作物体点级别聚类检测的线 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 1.4k 字 | Reading time ≈ 5 分钟
　　机器人系统中，定位是非常重要的模块。基于 SLAM/VO/VIO 技术的算法能实时作机器人的自定位，但是这种开环下的里程计方案很容易累积绝对误差，使得定位漂移。而离线建立的地图因为有闭环检测，精度很高，所以基于地图的定位方法有很高的绝对定位精度。 　　LOAM 是一种基于点云的实时建图与定位方法 ...
Read more »

Posted on   |   Updated on | In
Words count in article: 2.1k 字 | Reading time ≈ 10 分钟
　　卡尔曼滤波器在三维目标状态估计中的应用中已经较详细得阐述了 3D MOT 状态估计过程，文章末提到观测过程的协方差矩阵初始化问题可以用观测的不确定性解决，Heteroscedastic Aleatoric Uncertainty 就是通过贝叶斯深度神经网络来建模该不确定性。本文[1] 提供了另一 ...
Read more »