0. 简介 对于激光SLAM而言,目前越来越多的工作开始集中在工业应用等场景,比如说我们这篇文章《Robust Odometry and Mapping for Multi-LiDAR Systems with Online Extrinsic Calibration》。文中提到多个激光雷达的组合使得机器人能够最大限度地感知周围环境并获得足够的测量信息,这对于同时定位和建图(SLAM)是
0. 简介 传统的地图生成方法一般是依靠Lidar和IMU结合的,但是问题在于,目前Lidar和IMU的紧耦合主要集中在前端里程计,基本没有涉及到后端全局优化以及建图的融合。为此文章《Globally Consistent and Tightly Coupled 3D LiDAR Inertial Mapping》提出了一种改进的地图生成方法,并设计一个在所有阶段(前端里程计+后端全局优
0. 简介 Transfomer最近几年已经霸榜了各个领域,之前我们在《经典文献阅读之—Deformable DETR》这篇博客中对DETR这个系列进行了梳理,但是想着既然写了图像处理领域的方法介绍,正好也按照这个顺序来对另一个非常著名的Swin Transformer框架。Swin Transformer框架相较于传统Transformer精度和速度比CNN稍差,Swin Transforme
0. 简介 之前作者基本都在围绕着特征点提取的路径在学习,最近看到了最近点云PCL推送的《Structure PLP-SLAM: Efficient Sparse Mapping and Localization using Point, Line and Plane for Monocular, RGB-D and Stereo Cameras》。这个工作是基于OpenVSLAM架构的,但
0. 简介 作为Transformer在机器视觉领域的爆火,在自动驾驶领域目前很多工作都集中在前视转鸟瞰图的方法中,这里我们来讲2020年一篇经典的论文《Predicting Semantic Map Representations from Images using Pyramid Occupancy Networks》,其工作被近两年的新的BEV算法进行充分的验证以及对比,从今天的眼光来看,
0. 简介 对于激光和视觉里程计而言,我们在面试和日常工作中会经常听到,在长时间在平坦道路上直行会导致维度的退化。定位的退化主要是因为约束的减少,比如NDT需要三个正交方向的约束才能很好的匹配,但若在狭长的走廊上或者隧道环境,条件单一,即使人肉眼观看激光雷达数据,也很难判断机器人所处的位置。而这篇博客来回顾下LOAM的作者Ji Zhang发表在2016年IROS上的一篇关于优化问题的退化
0. 简介 这是一片22年的ICRA 2022杰出论文《Translating Images into Maps》。来自萨里大学的研究者引入了注意力机制,将自动驾驶的 2D 图像转换为鸟瞰图,使得模型的识别准确率提升了 15%。相关的代码已经开源,下面是他们Github开源代码。这里由于作者之前并不是搞NLP的,所以也是边学边写的,如有问题请多多提出。 1. 文章贡献 与以往的方法不同,这项
0. 简介 相信大家在面试时候经常被问激光SLAM的回环方法。一般我们回答的比较笼统,我们在《SC-LEGO-LOAM 扩展以及深度解析》一文中提到了回环的策略,但是这两年又出来更多的方。相较于16年谷歌提出的《Real-Time Loop Closure in 2D LIDAR SLAM》2D激光雷达算法,最近文章《BoW3D: Bag of Words for Real-time
0. 简介 在激光雷达的特征提取中,对整帧的点云数据进行分割是至关重要的,但是非常明显的是在3D场景中,捕获的点云通常是稀疏且非结构化的,分割有可能误分割或者漏分割。今天我们来看一下22年的论文《FEC: Fast Euclidean Clustering for Point Cloud Segmentation》,这篇文章中提出一种新颖的快速欧几里得聚类算法,同时据作者说易于实现,具体只有40
0. 简介 这里我们介绍一篇20年的论文《A Sim2Real Deep Learning Approach for the Transformation of Images from Multiple Vehicle-Mounted Cameras to a Semantically Segmented Image in Bird’s Eye View》。这篇文章描述了一种获取360°鸟瞰图的
0. 简介 作为22年比较重磅的物体识别算法,作者觉得不得不说一说,虽然作者目前主要方向不是深度学习了,但是里面很多重要的操作还是值得回味的。这里就从想要大致了解Yolo v7同学的眼光来对v7的算法进行介绍。并按照原文《YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detecto
0. 简介 这篇SLAM论文《Direct LiDAR Odometry: Fast Localization with Dense Point Clouds》作为NASA喷气推进实验室CoSTAR团队研究和开发的新作,收到了学术界广泛的关注。其主要用作DARPA地下挑战的里程计,提出了一种能够实现高速高精度处理高速实时处理密集点云的激光里程计(LO)的思路,下面是他们的Github开源代码。
0. 简介 作为一名技术博主,最主要的还是需要不断地学习新的知识,而最好的学习就是不断地阅读新的文章,并不断地学习和总结前人的思路和方法。所以博主打算开一个新的系列来介绍。这里主要来介绍一下《SuMa++: Efficient LiDAR-based Semantic SLAM》这篇论文。论文原文链接为:https://www.ipb.uni-bonn.de/wp-content/paperci
0. 简介 已经好久不写深度学习相关的博客了。但是我觉得DETR值得我重新时期来进行详细介绍。Deformable DETR作为这两年来最有名的DETR变种之一,当然代码量也是比较多的。这里我们从论文到代码来详细分析Deformable DETR的精华之处。最近两年时间从Attention到NAS再到Transformer,视觉检测行业被Transformer拉到了一个新的高度。而DETR作为T
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
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