-
公开(公告)号:CN111476822A
公开(公告)日:2020-07-31
申请号:CN202010269236.0
申请日:2020-04-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于场景流的激光雷达目标检测与运动跟踪方法。自身车辆平台上的激光雷达采集获得多帧时序点云,体素化处理生成多帧鸟瞰图;建立SDP-Net网络结构,通过SDP-Net网络结构实现自身车辆平台的位姿估计、点云中的3D目标的检测、预测和追踪;输入训练设置总损失函数进行优化监督,获得网络参数值;待测点云输入到SDP-Net网络结构中,由SDP-Net网络结构输出自身车辆平台的相对位姿变化以及目标的检测、预测和追踪结果。本发明无需对多帧点云数据进行复杂的预先配准操作,能有效提取多帧之间的运动信息,在复杂场景中同时完成自身位姿估计、3D目标检测、预测和追踪的任务获得高准确率,计算代价小,实时性强。
-
公开(公告)号:CN111476822B
公开(公告)日:2023-04-18
申请号:CN202010269236.0
申请日:2020-04-08
Applicant: 浙江大学
Abstract: 本发明公开了一种基于场景流的激光雷达目标检测与运动跟踪方法。自身车辆平台上的激光雷达采集获得多帧时序点云,体素化处理生成多帧鸟瞰图;建立SDP‑Net网络结构,通过SDP‑Net网络结构实现自身车辆平台的位姿估计、点云中的3D目标的检测、预测和追踪;输入训练设置总损失函数进行优化监督,获得网络参数值;待测点云输入到SDP‑Net网络结构中,由SDP‑Net网络结构输出自身车辆平台的相对位姿变化以及目标的检测、预测和追踪结果。本发明无需对多帧点云数据进行复杂的预先配准操作,能有效提取多帧之间的运动信息,在复杂场景中同时完成自身位姿估计、3D目标检测、预测和追踪的任务获得高准确率,计算代价小,实时性强。
-
公开(公告)号:CN111429514B
公开(公告)日:2023-05-09
申请号:CN202010165899.8
申请日:2020-03-11
Applicant: 浙江大学
IPC: G06V20/64 , G06T7/38 , G06V10/764 , G06V10/766 , G06V10/774 , G06V10/80 , G06V10/82 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种融合多帧时序点云的激光雷达3D实时目标检测方法。对较大遮挡目标标注不全的含连续帧点云的已知数据集,利用投影标注补全法补全;构建MADet网络结构;对多帧时序点云配准和体素化生成多帧鸟瞰图;将多帧鸟瞰图输入特征提取模块生成多帧初始特征图;对多帧初始特征图生成对应的特征描述,计算特征权重图并加权融合获得融合特征图;使用特征金字塔对融合特征图多尺度特征融合,在最终特征图上回归目标的位置、尺寸和朝向。本发明能有效克服单帧点云的数据稀疏问题,在遮挡严重和远距离下的目标检测中获得高准确率,达到比单帧检测更高的精度,网络结构精简,计算代价小,实时性强。
-
公开(公告)号:CN111429514A
公开(公告)日:2020-07-17
申请号:CN202010165899.8
申请日:2020-03-11
Applicant: 浙江大学
Abstract: 本发明公开了一种融合多帧时序点云的激光雷达3D实时目标检测方法。对较大遮挡目标标注不全的含连续帧点云的已知数据集,利用投影标注补全法补全;构建MADet网络结构;对多帧时序点云配准和体素化生成多帧鸟瞰图;将多帧鸟瞰图输入特征提取模块生成多帧初始特征图;对多帧初始特征图生成对应的特征描述,计算特征权重图并加权融合获得融合特征图;使用特征金字塔对融合特征图多尺度特征融合,在最终特征图上回归目标的位置、尺寸和朝向。本发明能有效克服单帧点云的数据稀疏问题,在遮挡严重和远距离下的目标检测中获得高准确率,达到比单帧检测更高的精度,网络结构精简,计算代价小,实时性强。
-
公开(公告)号:CN108981702A
公开(公告)日:2018-12-11
申请号:CN201810716968.2
申请日:2018-07-03
Applicant: 浙江大学
Abstract: 本发明公开了一种多位置联合粒子滤波的车辆定位方法。建立车辆行驶区域的路网地图,实时通过航位推算方法获得车辆位置并探测锚点,形成初始的车辆分段行驶轨迹;对于每次探测到的锚点,使用一堆粒子来表示锚点在路网地图上对应的位置,通过联合粒子滤波实时计算更新每一堆粒子权重;对于每一堆粒子,以权重最大的粒子作为锚点在路网地图上的定位点,依次连接定位点作为修正后的车辆分段行驶轨迹。本发明能有效修正视觉里程计等航位推算方法产生的累积误差,在车辆长距离的行驶过程中均能获得良好的定位精度,计算代价小,实时性强。
-
-
-
-