Elasticity Meets Continuous-Time: Map-Centric Dense 3D LiDAR SLAM
Robotics and Autonomous Systems Group, DATA61, CSIRO(联邦科学与工业研究组织 DATA61 机器人与自主系统组);School of Electrical Engineering and Computer Science, Queensland University of Technology (QUT)(昆士兰科技大学电气工程与计算机科学学院);Division of Smart Automotive Engineering, Sun Moon University(鲜文大学智能汽车工程学部)
以地图为中心的SLAM利用弹性作为环路闭合的手段。与以概率为中心的SLAM方法相比,这种方法降低了环路闭合的成本,同时仍然提供大规模的基于融合的密集地图。在本文中,我们提出了一种新的框架,三维激光雷达为基础的地图为中心的SLAM。具有以地图为中心的方法的优点,我们的方法表现出新的功能,以克服现有系统的缺点,与多模态传感器融合和激光雷达运动失真。这是通过使用局部连续时间(CT)轨迹表示来实现的。此外,我们的表面分辨率保存匹配算法和基于Wishart的surfel融合模型,使非冗余但密集的映射。此外,我们提出了一个强大的度量闭环模型,使该方法稳定,无论在哪里发生的闭环。最后,我们证明了我们的方法,通过模拟和真实数据实验,使用多个传感器有效载荷配置和环境,以说明其实用性和鲁棒性。
2020-08-05 cs.RO
Efficient Continuous-Time SLAM for 3D Lidar-Based Online Mapping
University of Bonn(波恩大学)
现代3D激光测距扫描仪具有高数据率,使得在线同时定位与地图构建(SLAM)在计算上具有挑战性。递归状态估计技术是有效的,但是在进行新的扫描之后立即进行状态估计,这可能导致测量的未对准。我们提出了一个3D SLAM的方法,允许在线映射过程中细化对齐。我们的方法是基于高效的本地映射和分层优化后端。三维激光扫描仪的测量结果通过基于表面的配准聚集在局部多分辨率地图中。局部地图被用在一个多层次的图中,用于非中心映射和定位。为了在细化对准时并入校正,局部地图中的各个3D扫描被建模为子图,并且执行图优化以考虑局部地图中的漂移和未对准。此外,在每个子图中,传感器轨迹的连续时间表示允许校正扫描姿态之间的测量。我们在多个实验中通过显示定性结果来评估我们的方法。此外,我们量化的地图质量的熵为基础的措施。
2018-10-16 cs.RO
Efficient and Probabilistic Adaptive Voxel Mapping for Accurate Online LiDAR Odometry
The University of Hong Kong(香港大学);Southern University of Science and Technology(南方科技大学)
提出了一种用于LiDAR测距的高效概率自适应体素映射方法。该地图是体素的集合;每个体素包含一个平面(或边缘)特征,该特征能够实现环境的概率表示和新LiDAR扫描的准确配准。我们进一步分析了粗到细的体素映射的需要,然后使用一种新的体素映射组织的哈希表和八叉树有效地建立和更新地图。我们建议的体素地图的迭代扩展卡尔曼滤波器,并构造一个最大后验概率问题的姿态估计。在开放的KITTI数据集上的实验表明,与其他最先进的方法相比,我们的方法具有较高的准确性和效率。非重复扫描激光雷达的非结构化环境的室外实验进一步验证了我们的映射方法对不同环境和激光雷达扫描模式的适应性。我们的代码和数据集在Github上开源
2022-07-08 cs.RO
Probabilistic Egocentric Motion Correction of Lidar Point Cloud and Projection to Camera Images for Moving Platforms
Australian Centre for Field Robotics(澳大利亚野外机器人中心);University of Sydney(悉尼大学)
来自异构传感器的传感器数据的融合对于涉及移动平台的各种机器人应用中的鲁棒感知至关重要,例如,自主车辆导航。特别是,将摄像头和激光雷达传感器相结合,可以将周围环境的精确范围信息投影到视觉图像上。它还可以使用3D映射的视觉分割/分类结果标记每个激光雷达点,这有助于对场景进行更高层次的理解。然而,由于内在和外在的传感器校准,以及由平台的自我运动引起的激光雷达点的失真,该任务被认为是不平凡的。尽管存在许多激光雷达自运动校正方法,但由于自运动估计的不确定性而导致的校正过程中的误差不可能完全消除。因此,有必要考虑问题的概率过程中的自我运动估计的不确定性建模和考虑一致。本文研究了概率激光雷达自我运动校正和激光雷达到摄像机的投影,其中自我运动估计和时间抖动的不确定性在感官测量。所提出的方法在仿真和使用从改装有广角摄像头和16束扫描激光雷达的电动汽车收集的真实数据中进行了验证。
2020-03-09 cs.RO
A LiDAR-Inertial SLAM Tightly-Coupled with Dropout-Tolerant GNSS Fusion for Autonomous Mine Service Vehicles
GNSS Research Center, Wuhan University(武汉大学GNSS研究中心);CHC NAVIGATION(华测导航);Beijing Lishedachuan Co., Ltd(北京立世达川科技有限公司)
针对矿山场景卫星信号失锁、观测退化等导航难题,提出一种结合卡尔曼滤波与图优化的紧耦合多模态激光雷达-惯性SLAM系统,通过多激光雷达协同、面元配准与回环重初始化,在GNSS长期失锁下仍能保持米级导航精度。
2023-08-22 cs.RO
Unsupervised Learning of Lidar Features for Use in a Probabilistic Trajectory Estimator
University of Toronto Institute for Aerospace Studies (UTIAS)(多伦多大学航空航天研究所)
我们在高斯变分推理设置中提出了无监督参数学习,该设置将移动机器人的经典轨迹估计与丰富传感器数据的深度学习相结合,所有这些都在单个学习目标下。该框架是现有系统辨识方法的扩展,该方法优化了观测数据的似然性,我们利用批量轨迹估计和深度学习的现代进步对其进行了改进。虽然该框架适用于任何形式的参数学习和传感器模态,但我们展示了3D激光雷达测距深度网络在特征和不确定性学习中的应用。我们的框架只从机载激光雷达数据中学习,不需要任何形式的地面实况监督。我们证明了我们的激光雷达里程计比现有的方法更好,这些方法使用深度网络学习完整的估计器,并且可以与KITTI里程计数据集上最先进的基于ICP的方法相媲美。我们还展示了来自Oxford RobotCar数据集的激光雷达数据的结果。
2021-02-22 cs.RO
Probabilistic Height Grid Terrain Mapping for Mining Shovels using LiDAR
The University of Queensland(昆士兰大学);The School of Mechanical and Mining Engineering(机械与采矿工程学院)
针对地形动态变化环境下的建图难题,本文以矿用电铲LiDAR测量为场景,提出在高度栅格每个单元引入隐马尔可夫模型的置信度建图方法,并探究了测量语义标注与传感器位姿确定的解决方案,以支撑自主机器运行。
2024-06-21 cs.RO
3D Lidar Reconstruction with Probabilistic Depth Completion for Robotic Navigation
Oxford Robotics Institute, University of Oxford(牛津大学牛津机器人研究所);Cluster of Excellence PhenoRob, Institute of Geodesy and Geoinformation, University of Bonn(波恩大学大地测量与地理信息研究所PhenoRob卓越集群)
机器人技术中的安全运动规划需要规划到已被验证为无障碍的空间中。然而,由于其深度测量的稀疏性,使用激光雷达获得这样的环境表示具有挑战性。我们提出了一个学习辅助的三维激光雷达重建框架,该框架借助重叠的相机图像对稀疏的激光雷达深度测量进行上采样,以便生成比单独使用原始激光雷达测量更明确的自由空间的更密集的重建。我们使用具有编码器-解码器结构的神经网络来预测密集的深度图像以及使用体积映射系统融合的深度不确定性估计。我们使用手持传感设备和足式机器人捕获的真实户外数据集进行实验。使用来自16光束激光雷达映射建筑物网络的输入数据,我们的实验表明,使用我们的方法估计的自由空间的量增加了40%以上。我们还表明,我们在合成数据集上训练的方法可以很好地推广到现实世界的户外场景,而无需进行额外的微调。最后,我们演示了如何运动规划任务可以受益于这些密集的重建。
2022-07-25 cs.RO
LIVE-GS: Online LiDAR-Inertial-Visual State Estimation and Globally Consistent Mapping with 3D Gaussian Splatting
LIVE-GS通过结合激光雷达与3D高斯点云绘制,实现高精度地图一致性,解决稀疏数据和计算效率问题。
2026-03-09 cs.CV cs.RO
SOCC-ICP: Semantics-Assisted Odometry based on Occupancy Grids and ICP
Fraunhofer IVI(弗劳恩霍夫研究所);Technische Hochschule Ingolstadt(图林根应用技术大学);Ancud IT-Beratung GmbH(安库德IT咨询公司)
本文提出SOCC-ICP框架,结合语义占用网格映射与激光雷达扫描对齐,通过几何与语义统计实现自适应ICP,提升在未知环境中的姿态估计性能。
2026-05-14 cs.RO
Probabilistic Multimodal Depth Estimation Based on Camera-LiDAR Sensor Fusion
Universidad Autónoma de Occidente(奥克西登特自治大学);Aurora Flight Sciences(极光飞行科学公司);University of Montreal(蒙特利尔大学)
针对单目相机与LiDAR单模态深度估计的固有缺陷,本文提出带多几何与外观势函数的条件随机场模型,从底层融合两类原始传感器流,经共轭梯度平方算法优化得到稠密精确的深度估计,在KITTI基准上与先进方法对比验证。
2023-07-20 cs.RO
LiDAR Road-Atlas: An Efficient Map Representation for General 3D Urban Environment
Nanjing University of Science and Technology(南京理工大学);University of Macau(澳门大学)
提出LiDAR Road-Atlas这一可压缩高效的3D地图表示方法,通过增量合并局部2D占据栅格地图、概率融合方案与稀疏点云编码,解决非结构化及多层城市道路建图问题,并在多个基准数据集上实现了高精度的车辆全局定位。
2023-03-13 cs.RO
HydroMap: Probabilistic Water Surface Elevation Mapping for Semantic Scene Representation in Inland Waterways
KU Leuven(鲁汶大学);TU Eindhoven(埃因霍温理工大学)
针对内河航道自主水面车辆中LiDAR建图缺乏水面表示的问题,提出HydroMap框架,利用立体观测和概率融合重建水面高程,并与结构地图结合生成2.5D语义地图,在实测数据上高程误差低于5厘米。
2026-09-22 cs.RO
Camera-Lidar Integration: Probabilistic sensor fusion for semantic mapping
在城市环境中运行的自动驾驶汽车必须能够感知和识别三维世界中的物体/障碍物,同时在不断变化的环境中导航。为了计划和执行精确的复杂驾驶操作,对周围环境的高层次上下文理解是必不可少的。由于图像处理的最新进展,现在可以从单目相机获得2D的高清晰度语义信息,尽管相机不能可靠地提供由激光提供的高精度3D信息。这两种传感器模态的融合可以克服每个单独传感器的缺点,尽管存在许多需要以概率方式解决的重要挑战。在本文中,我们解决了常见的,但具有挑战性的,激光雷达/摄像机/语义融合的问题,很少接近完全概率的方式。我们的方法是能够使用多传感器平台,以建立一个三维的语义体素化的地图,认为所有涉及的过程的不确定性。我们提出了一个概率管道,它结合了传感器读数(摄像头,激光雷达,IMU和车轮编码器)的不确定性,车辆运动的补偿,以及语义图像的启发式标签概率。我们还提出了一种新颖有效的视点验证算法来检查相机帧的遮挡。从相机图像到激光雷达点云执行概率投影。然后,每个标记的激光雷达扫描都会输入到八叉树地图构建算法中,该算法在每次有新的观测结果可用时更新地图体素的类概率。我们使用一组定性和定量的实验测试USyd数据集验证我们的方法。
2020-07-09 cs.CV cs.RO
GMMCalib: Extrinsic Calibration of LiDAR Sensors using GMM-based Joint Registration
Technical University of Munich(慕尼黑工业大学);TUM School of Engineering and Design(慕尼黑工业大学工程与设计学院);TUM School of Computation, Information and Technology(慕尼黑工业大学计算、信息与技术学院)
针对多 LiDAR 外参标定中 ICP 成对配准易受初值影响的问题,提出 GMMCalib,利用基于 GMM 的多点云联合配准提升错误标定下的鲁棒性,并经仿真与实车验证。
2024-04-08 cs.RO
A Probabilistic Formulation of LiDAR Mapping with Neural Radiance Fields
Tufts University(塔夫茨大学);Cornell University(康奈尔大学);Stanford University(斯坦福大学)
本文提出将 NeRF 训练损失公式化为概率积分,以处理 LiDAR 多回波的概率特性,避免幻影表面,并支持从单一输出采样首次、第 n 次或最强回波。
2024-11-04 cs.CV cs.RO
Probabilistic Degeneracy Detection for Point-to-Plane Error Minimization
Norwegian University of Science and Technology(挪威科技大学);Cognite AS(科尼格奈特公司)
本文提出一种概率方法检测并减轻点到平面误差最小化中的退化,通过量化方向退化概率并平滑衰减退化更新,在LiDAR配准中优于现有方法。
2025-02-03 cs.RO
Under-Canopy Navigation using Aerial Lidar Maps
School of Electrical Engineering and Computer Science, The University of Queensland(昆士兰大学电气工程与计算机科学学院);CSIRO Robotics, Data61(联邦科学与工业研究组织机器人学与Data61研究院)
针对无先验信息的林下目标导航,本文提出用航空激光雷达构建含轨迹不确定性的三维概率占据地图,并设计融合路径长度与障碍风险的D-Star Lite规划及动态重规划方法,实验验证其有效性。
2024-06-18 cs.RO
LiDAR Data Synthesis with Denoising Diffusion Probabilistic Models
Faculty of Information Science and Electrical Engineering, Kyushu University(九州大学情报科学与电气工程学院)
本文提出基于 DDPM 的 R2DM 模型,利用距离与反射强度图像表示生成高保真 3D LiDAR 点云,并构建灵活补全流程,在 KITTI 数据集生成与补全任务上超越现有方法。
2024-03-04 cs.CV cs.RO
CT-VoxelMap: Efficient Continuous-Time LiDAR-Inertial Odometry with Probabilistic Adaptive Voxel Mapping
本文提出CT-VoxelMap,通过概率自适应体素映射提升移动机器人在快速运动或粗糙地形中的定位稳定性与准确性,采用B-样条基方法优化连续时间表示,改进雅可比推导并增强系统鲁棒性。
2026-04-04 cs.RO
PSDF Fusion: Probabilistic Signed Distance Function for On-the-fly 3D Data Fusion and Scene Reconstruction
Peking University(北京大学);Shanghai Jiao Tong University(上海交通大学)
我们提出了一种新的三维空间表示的数据融合和场景重建。提出了概率符号距离函数(ProbabilitySignedDistanceFunction,PSDF)来描述三维空间中的不确定性。它是由一个联合分布描述SDF值和它的内点概率,反映输入数据质量和表面的几何形状。设计了一种包括体素、面元和网格的混合数据结构,以充分利用各种流行的3D表示的优点。通过PSDF连接,这些组件在一致的框架中合理地协作。给定顺序深度测量,PSDF可以用较少的特设参数贝叶斯更新来递增地改进。在PSDF和高效的3D数据表示的支持下,可以实时提取高质量的表面,并使用几何信息为可靠的数据融合做出贡献。实验表明,该系统重建的场景具有更高的模型质量和更低的冗余,运行速度比现有的在线网格生成系统。
2018-07-29 cs.CV cs.RO
LiDAR Point Cloud-based Multiple Vehicle Tracking with Probabilistic Measurement-Region Association
Beihang University(北京航空航天大学);Vitalent Consulting(维塔伦特咨询公司);Linköping University(林雪平大学);James Cook University(詹姆斯库克大学)
针对车载LiDAR点云的多车辆扩展目标跟踪问题,提出概率量测-区域关联PMRA模型,结合PMBM滤波器提升位置与范围估计精度。
2024-05-18 cs.RO eess.SP
PNE-SGAN: Probabilistic NDT-Enhanced Semantic Graph Attention Network for LiDAR Loop Closure Detection
PNE-SGAN将NDT协方差几何特征与语义图注意力网络结合,并通过概率时序过滤框架提升LiDAR回环检测的鲁棒性和准确性,在KITTI序列上取得最先进性能。
2025-05-07 cs.CV cs.RO
Time-of-Flight LiDAR-based Precise Mapping
School of Mathematical Sciences, Queen Mary University of London, UK(伦敦玛丽女王大学数学科学学院,英国);CIAD UMR7533, Univ. Bourgogne Franche-Comté, UTBM(勃艮第弗朗什孔泰大学,UTBM(弗朗什孔泰大学),CIAD UMR7533)
过去二十年来,机器人地图绘制问题在研究界取得了很大进展。然而,由于传感器提供的数据仍然包含噪声,如何获得准确的地图仍然是一个悬而未决的问题。本文从数学分析的角度对该问题进行了分析,并提出了一种基于多次探索的概率地图更新方法。所提出的方法可以帮助我们估计机器人探索的轮数,这对于任务的硬件和时间成本是有意义的。
2020-09-21 cs.RO
UniCalib: Targetless LiDAR-Camera Calibration via Probabilistic Flow on Unified Depth Representations
School of Computer Science, Wuhan University(武汉大学计算机学院);School of Electronic Information, Wuhan University(武汉大学电子信息学院);School of Artificial Intelligence, Wuhan University(武汉大学人工智能学院)
针对LiDAR-相机无目标标定中特征不一致和忽略显著区域的问题,提出DF-Calib方法,将其转化为模态内深度流估计问题,通过共享编码器和可靠性图实现高精度对齐。
2025-08-09 cs.CV cs.RO
IN2LAAMA: INertial Lidar Localisation Autocalibration And MApping
University of Technology Sydney(悉尼科技大学)
在本文中,我们提出了惯性激光雷达定位自动校准和映射(IN 2LAAMA):基于3D激光雷达和6-DoF-IMU的定位,映射和外部校准的离线概率框架。今天的大多数激光雷达通过在其视野中扫描激光来收集周围环境的几何信息。因此,一次激光雷达扫描中的3D点是在不同的时间戳采集的。如果传感器轨迹不准确,扫描会受到运动失真现象的影响。所提出的方法利用预积分与惯性测量的连续表示,以在任何时间点对系统的运动进行建模。它能够在不依赖于任何显式运动模型的情况下精确校正运动失真。系统的姿态、速度、偏差和时移是通过一个完整的批量优化来估计的,该优化包括自动生成的循环闭合约束。激光雷达数据的自动校准和配准依赖于扫描对之间匹配的平面和边缘特征。通过仿真和实际数据实验验证了该框架的性能。
2020-10-22 cs.RO
An Efficient Probabilistic Solution to Mapping Errors in LiDAR-Camera Fusion for Autonomous Vehicles
Indiana University Purdue University Indianapolis(印第安纳大学与普渡大学印第安纳波利斯联合分校);Purdue University(普渡大学);Toyota Motor Engineering and Manufacturing North America Inc.(丰田汽车工程与制造北美公司)
针对自动驾驶中激光雷达-相机融合的固有映射误差及高精度算法算力占用高的问题,提出一种低成本概率融合方法,结合KL散度形状相似度与RANSAC回归轨迹平滑器,有效提升目标定位与距离估计的鲁棒性和精度。
2023-11-08 cs.RO cs.SY eess.SY
Probabilistic Rainfall Estimation from Automotive Lidar
Tier IV Inc.(Tier IV公司);The National Research Institute for Earth Science and Disaster Resilience(国立地球科学与防灾研究所);Nagoya University(名古屋大学)
在恶劣天气条件下的强大传感和感知仍然是实现可靠的自动驾驶汽车移动服务的最大挑战之一。先前的工作已经确定,降雨率是一个有用的措施,逆境的大气天气条件。本文提出了一种概率层次贝叶斯模型,该模型能够从汽车激光雷达点云序列中高精度、高可靠性地推断降雨率。该模型是一个分层的混合专家模型,或概率决策树,门和专家节点组成的变分逻辑和线性回归模型。用于训练和评估模型的实验数据收集在一个大规模的降雨实验设施,从固定和移动的车辆平台。结果表明,预测精度相媲美的测量分辨率的disdrometer,和合理性和有用的不确定性估计。在滤除不确定性预测后,模型的RMSE为2.42mm/h。误差与两次测量之间的平均降雨率变化3.5mm/h相当。模型参数的研究表明,预测性能的变化与树的深度,采样时间,和裁剪框尺寸。第二个实验表明,使用不同的激光雷达传感器,显示传感器的独立性,超过300 mm/h的更高的降雨的可预测性。
2022-04-25 cs.CV cs.LG cs.RO
DiffSSC: Semantic LiDAR Scan Completion using Denoising Diffusion Probabilistic Models
Autonomous Intelligent Systems group, Computer Science Institute VI – Intelligent Systems and Robotics – and the Center for Robotics and the Lamarr Institute for Machine Learning and Artificial Intelligence, University of Bonn, Germany(自主智能系统组,计算机科学研究所VI——智能系统与机器人——和机器人中心以及拉马尔人工智能与机器学习研究所,波恩大学,德国)
本文提出DiffSSC,利用去噪扩散概率模型在点云和语义空间分别进行加噪去噪,以语义激光雷达点云为条件输入并设计正则化损失,实现语义场景补全,在自动驾驶数据集上达到最先进性能。
2025-08-02 cs.AI cs.CV cs.RO
Tightly-Coupled LiDAR-Visual-Inertial SLAM and Large-Scale Volumetric Occupancy Mapping
Technical University of Munich(慕尼黑工业大学);Imperial College London(伦敦帝国理工学院)
提出紧耦合 LiDAR-视觉-惯性 SLAM 与三维占据建图框架,利用基于占据场梯度的无对应概率残差和局部子图因子图优化,实现高精度位姿估计与全局一致的大规模建图。
2024-03-04 cs.RO
LiDAR-based HD Map Localization using Semantic Generalized ICP with Road Marking Detection
UISEE Technology (Beijing) Co., Ltd.(北京佑驾科技有限公司)
针对GPS拒止下的自动驾驶定位,提出融合实时道路标记检测与SG-ICP配准的LiDAR在线高精地图定位方法,提升了定位精度、效率与鲁棒性。
2024-07-02 cs.RO
Ephemerality meets LiDAR-based Lifelong Mapping
Seoul National University(首尔大学);NAVER LABS(NAVER实验室)
提出ELite框架,通过两阶段ephemerality概率建模地图元素的短暂性,实现LiDAR多会话数据对齐、动态物体移除和地图更新,提升长期建图鲁棒性。
2025-03-03 cs.RO
LiTAMIN2: Ultra Light LiDAR-based SLAM using Geometric Approximation applied with KL-Divergence
Human-Centered Mobility Research Center (HCMRC), National Institute of Advanced Industrial Science and Technology (AIST)(人类中心移动研究中心(HCMRC)、独立行政法人产业技术综合研究所(AIST))
本文提出了一种三维光探测与测距同时定位与地图构建(SLAM)方法,该方法适用于500--1000 Hz处理的跟踪与地图构建。所提出的方法显着减少了用于点云配准的点的数量,使用一种新的ICP度量,以加快配准过程,同时保持精度。当点的数量减少时,使用ICP的点云配准不太准确,因为ICP基本上最小化了点之间的距离。为了避免这个问题,对称KL发散被引入到ICP成本,反映两个概率分布之间的差异。成本不仅包括点之间的距离,还包括分布形状之间的差异。在KITTI数据集上的实验结果表明,该方法具有较高的计算效率,性能明显优于其他方法,并且具有与最先进的SLAM方法相似的精度。
2021-03-01 cs.RO
Lidar with Velocity: Correcting Moving Objects Point Cloud Distortion from Oscillating Scanning Lidars by Fusion with Camera
Southern University of Science and Technology(南方科技大学);Jimei University(集美大学)
来自移动物体的激光雷达点云失真是自动驾驶中的一个重要问题,最近随着新型激光雷达的出现变得更加苛刻,这些激光雷达具有来回扫描模式。准确地估计移动对象速度将不仅提供跟踪能力,而且通过对移动对象的更准确描述来校正点云失真。由于激光雷达测量的是飞行时间距离,但具有稀疏的角分辨率,因此在径向测量中测量是精确的,但缺乏角度。另一方面,相机提供密集的角分辨率。本文提出了一种基于高斯分布的激光雷达与摄像机融合的方法来估计全速并校正激光雷达的畸变。一个概率卡尔曼滤波器框架提供了跟踪运动物体,估计他们的速度,同时纠正点云失真。该框架在真实道路数据上进行了评估,融合方法优于传统的基于ICP和点云的方法。完整的工作框架是开源的(https://github.com/ISEE-Technology/lidar-with-velocity),以加速新兴激光雷达的采用。
2022-07-03 cs.CV cs.RO
Automatic Vector-based Road Structure Mapping Using Multi-beam LiDAR
Tongji University(同济大学);The Key Laboratory of Embedded System and Service Computing, Ministry of Education(教育部嵌入式系统与服务计算重点实验室);Department of Computer Science and Technology, School of Electronics and Information Engineering, Tongji University(同济大学电子与信息工程学院计算机科学与技术系);School of Electronics and Information Engineering, Tongji University(同济大学电子与信息工程学院);The Key Laboratory of Embedded System and Service Computing, Ministry of Education, Tongji University, Shanghai(同济大学教育部嵌入式系统与服务计算重点实验室(上海));Department of Computer Science and Technology, School of Electronics and Information Engineering, Tongji University, Shanghai(同济大学电子与信息工程学院计算机科学与技术系(上海))
本文研究了一种基于多波束LiDAR的SLAM道路结构矢量地图生成方法。我们建议使用矢量作为主要的地图元素,而不是网格单元或点云,因为基于矢量的表示是精确和轻量级的,它可以直接生成自动驾驶系统所需的基于矢量的高清(HD)驾驶地图。主要研究内容包括:1)基于局部概率融合的道路结构提取与矢量化。2)道路结构帧间基于矢量的高效匹配。3)基于姿态图的闭环优化。在本研究中,我们采取了一个特定的道路结构,道路边界,作为一个例子。在三个不同的场景中,我们应用了所提出的匹配方法,并取得了0.07的平均绝对匹配误差。我们进一步将该测绘系统应用于860米长的城市道路,在没有高精度GPS的帮助下,实现了0.466米的平均全球精度。
2018-06-06 cs.RO
NF-Atlas: Multi-Volume Neural Feature Fields for Large Scale LiDAR Mapping
Zhejiang University(浙江大学);Huawei Cloud Computing Technologies Co., Ltd.(华为云计算技术有限公司)
NF-Atlas提出多卷神经特征场与位姿图优化结合,实现局部刚性、全局弹性的LiDAR建图,支持增量建图与回环闭合,在精度、效率和内存上表现优异。
2023-06-20 cs.RO
Efficient Solution to 3D-LiDAR-based Monte Carlo Localization with Fusion of Measurement Model Optimization via Importance Sampling
Nagoya University(名古屋大学);LOCT Co., Ltd.(LOCT株式会社)
本文提出了一种基于3D-LiDAR的蒙特卡罗定位(MCL)的有效解决方案。如果粒子在地面真实值周围被精确采样,MCL就能鲁棒地工作。惯性导航系统(INS)可以用于精确采样,但仍然需要使用许多粒子来解决三维定位问题,即使INS是可用的。特别是,如果INS不可用,则需要大量的粒子,并且就计算成本而言,执行3D MCL是不可行的。扫描匹配(SM),即基于优化的定位,即使INS不可用也有效地工作,因为SM可以在其优化过程中忽略机器人和/或设备的移动约束。然而,SM有时确定不可行的估计对运动。我们认为MCL和SM具有互补的优点和缺点,并提出了一种MCL和SM的融合方法。因为SM被认为是在概率建模方面的测量模型的优化,所以我们执行测量模型优化作为SM。然后,使用优化结果来近似测量模型分布,并且使用近似的分布来对颗粒进行采样。通过重要性采样将采样粒子与MCL融合。因此,可以同时利用MCL和SM的优点,同时减轻它们的缺点。在KITTI数据集和其他两个开放数据集上进行了实验。结果表明,该方法可以在单CPU线程上运行,即使在INS不可用的情况下也能准确地执行定位。
2023-03-02 cs.RO
LaserFlow: Efficient and Probabilistic Object Detection and Motion Forecasting
Uber Advanced Technologies Group(优步先进技术集团)
在这项工作中,我们提出了激光流,一种有效的方法,三维目标检测和运动预测激光雷达。与以前的工作不同,我们的方法利用了LiDAR的本地范围视图表示,这使我们的方法能够在传感器的全范围内实时操作,而无需体素化或数据压缩。我们提出了一种新的多扫描融合架构,直接从距离图像中提取和合并时间特征。此外,我们提出了一种新的技术来学习概率分布在未来的轨迹启发课程学习。我们在两个自动驾驶数据集上评估了LaserFlow,并与现有的最先进的方法相比,展示了具有竞争力的结果。
2020-10-15 cs.CV cs.LG cs.RO
PL-LIT: A LiDAR-Inertial-Thermal SLAM Using Point-Line Features and Thermographic Mapping
Tsinghua University(清华大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科学与技术大学(广州));University of California, Berkeley(加州大学伯克利分校);Xinchen Qihang Co., Ltd.(新晨启航有限公司)
提出PL-LIT系统,结合光度校准与点线特征提取网络,通过ESIKF紧耦合LiDAR、惯性和热数据,实现鲁棒的热SLAM,并构建概率热强度体素地图用于热异常检测。
2026-06-28 cs.RO
Ψ-Map: Panoptic Surface Integrated Mapping Enables Real2Sim Transfer
Department of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
Ψ-Map通过整合几何强化、端到端学习和高效渲染,实现大规模场景中高精度全景重建,兼顾几何精度与实时推理,满足机器人仿真需求。
2026-04-13 cs.RO
GeomGS: LiDAR-Guided Geometry-Aware Gaussian Splatting for Robot Localization
School of Electrical and Electronic Engineering, Yonsei University(延世大学电气与电子工程学院)
针对现有3DGS方法难以准确重建真实尺度几何地图而降低定位性能的问题,提出GeomGS,通过概率方法将LiDAR数据集成到高斯原语中,并引入几何置信度分数优化结构,实现最先进的几何与定位性能。
2025-01-23 cs.CV cs.LG cs.RO
Semantic sensor fusion: from camera to sparse lidar information
Australian Centre for Field Robotics (ACFR)(澳大利亚野外机器人中心(ACFR));University of Sydney(悉尼大学)
为了在城市道路中导航,自动驾驶汽车必须能够感知和识别三维环境中的物体。对周围环境的高层次上下文理解对于计划和执行准确的驾驶操作是必要的。本文提出了一种方法来融合不同的感官信息,光探测和测距(激光雷达)扫描和相机图像。卷积神经网络(CNN)的输出被用作分类器以获得环境的标签。标记图像和激光雷达点云之间的语义信息的传递分为四个步骤:首先,我们使用探试法将概率与标记图像中包含的所有语义类相关联。然后,校正激光雷达点,以补偿车辆的运动,给出每个激光雷达扫描和相机图像的时间戳之间的差异。在第三步中,我们计算相应相机图像的像素坐标。在最后一步中,我们执行从启发式概率图像到激光雷达帧的语义信息的传输,同时去除相机不可见的激光雷达信息。我们在Usyd数据集\cite{usyd_dataset}中测试了我们的方法,获得了定性和定量的结果,证明了我们的概率感觉融合方法的有效性。
2020-03-04 cs.CV cs.RO
PROBE: Probabilistic Occupancy BEV Encoding with Analytical Translation Robustness for 3D Place Recognition
SK Intellix
提出无学习的LiDAR地点描述符PROBE,通过极坐标雅可比解析边缘化连续平移,实现距离自适应角度不确定性,在跨传感器泛化中取得高精度。
2026-07-01 cs.CV cs.RO
A Novel Probabilistic V2X Data Fusion Framework for Cooperative Perception
The University of Sydney(悉尼大学);Cohda Wireless(科达无线公司)
本文讨论了用于协作或集体感知(CP)的车辆到X(V2X)数据融合。智能交通系统(ITS)技术在提高道路交通效率和安全性方面具有巨大的潜力。V2X通信的最新进展主要解决交通环境中ITS站点(ITS-S)之间的V2X消息和数据传播的定义。然而,一个很大程度上尚未解决的问题是,联网车辆(CV)如何有效且一致地将其本地感知信息与从其他ITS-S接收的数据融合。在本文中,我们提出了一种新的数据融合框架,以融合本地和V2X感知数据的CP,认为存在互相关。通过数值模拟、CARLA模拟和结合V2X智能平台的真实实验获得的综合结果,验证了所提出的方法。真实世界的实验包括CV,连接和自动驾驶车辆(CAV)以及配备视觉和激光雷达传感器的智能路边单元(IRSU)。我们还演示了如何融合CP信息可以提高意识的CV/CAV的弱势道路使用者(VRU),以及如何在CAV内的路径规划/决策,以促进安全的互动,这些信息可以被认为是。
2022-03-31 cs.RO
LaserNet: An Efficient Probabilistic 3D Object Detector for Autonomous Driving
Uber Advanced Technologies Group(优步先进技术集团)
在本文中,我们提出了LaserNet,这是一种计算效率高的方法,用于从自动驾驶的LiDAR数据中进行3D目标检测。效率来自于在传感器的原始范围视图中处理LiDAR数据,其中输入数据自然是紧凑的。在范围视图中操作涉及众所周知的学习挑战,包括遮挡和尺度变化,但它也提供了基于传感器数据捕获方式的上下文信息。我们的方法使用完全卷积网络来预测每个点在3D框上的多模态分布,然后有效地融合这些分布以生成每个对象的预测。实验表明,将每个检测建模为一个分布,而不是一个单一的确定性框,从而获得更好的整体检测性能。基准测试结果表明,这种方法的运行时间明显低于其他最近的检测器,并且在具有足够数据来克服范围视图训练挑战的大型数据集上进行比较时,它实现了最先进的性能。
2019-03-20 cs.CV cs.LG cs.RO
An Analytical Lidar Sensor Model Based on Ray Path Information
University of Freiburg(弗赖堡大学)
移动机器人的两个核心能力是构建环境地图,并根据该地图和传入的传感器读数估计自己的姿态。为了考虑该过程中的不确定性,通常采用与特定传感器的模型相结合的概率状态估计方法。在过去的几年里,激光雷达传感器已成为测绘和定位的热门选择。然而,许多常见的激光雷达模型在非结构化、不可预测的环境中表现不佳,它们缺乏用于映射和定位的一致的物理模型,并且它们没有利用传感器提供的所有信息,例如超范围测量。在本文中,我们介绍了一个一致的物理模型,可以应用到映射以及本地化。它自然地处理非结构化环境,并利用范围外的测量值和有关射线路径的信息。该方法可以被视为已建立的反射模型的推广,但除了计算特定地图单元中的射线反射和遍历之外,它还考虑了所有射线在该单元中传播的距离。我们证明了所得到的地图最大限度地提高了数据的可能性,并证明了我们的模型在广泛的现实世界的实验中优于最先进的传感器模型。
2019-10-23 cs.CV cs.RO
Fast LiDAR Upsampling using Conditional Diffusion Models
University of Oslo(奥斯陆大学);Kyushu University(九州大学)
提出一种基于条件扩散模型的方法,通过图像表示实现3D场景点云的快速高质量稀疏到稠密上采样,在KITTI-360数据集上的采样速度和质量均优于基线,并具备跨真实与合成数据的泛化能力。
2024-07-23 cs.CV cs.RO
C$^3$P-VoxelMap: Compact, Cumulative and Coalescible Probabilistic Voxel Mapping
Deptrum Ltd.(德创科技有限公司)
本文提出C$^3$P-VoxelMap,一种紧凑、累积与可合并的概率体素建图方法,通过无点表示和延迟合并策略,大幅降低LiDAR里程计的复杂度与内存消耗,同时显著提升精度与性能。
2024-10-10 cs.RO
KDD-LOAM: Jointly Learned Keypoint Detector and Descriptors Assisted LiDAR Odometry and Mapping
College of Control Science and Engineering, Zhejiang University(浙江大学控制科学与工程学院)
提出紧耦合关键点检测器与描述子TCKDD及辅助框架KDD-LOAM,通过多任务全卷积网络与自监督损失提升点云配准性能,在KITTI上显著超越LOAM。
2023-09-27 cs.CV cs.RO
Building Volumetric Beliefs for Dynamic Environments Exploiting Map-Based Moving Object Segmentation
University of Bonn(波恩大学);University of Oxford(牛津大学);Lamarr Institute for Machine Learning and Artificial Intelligence(拉玛尔机器学习与人工智能研究所)
提出结合稀疏4D卷积与Bayes滤波器的方法,联合分割3D LiDAR扫描中的运动物体并构建动态环境体素信念,提升跨传感器泛化及在线建图的分割性能。
2023-07-17 cs.RO
Bayesian Spatial Kernel Smoothing for Scalable Dense Semantic Mapping
University of Michigan(密歇根大学)
本文开发了一个贝叶斯连续的3D语义占用地图从嘈杂的点云通过推广贝叶斯核推理模型的建设占用地图,一个二进制的问题,语义地图,一个多类的问题。所提出的方法提供了一个统一的概率模型的占用和语义概率,并很好地恢复到原来的占用映射框架时,只有一个被占用的类存在于所获得的测量。贝叶斯空间核推理放松了独立网格假设,并为地图推理带来了平滑性和连续性,从而能够利用环境中存在的局部相关性并提高性能。附带的软件使用多线程和矢量化,在笔记本电脑CPU上以约2 Hz的频率运行。使用立体相机和LiDAR数据集的多个序列的评估表明,所提出的方法始终优于当前的基线。我们还提出了一个定性的评估,使用密歇根大学北校区的双足机器人平台收集的数据。
2020-01-26 cs.RO
AgriGS-SLAM: Orchard Mapping Across Seasons via Multi-View Gaussian Splatting SLAM
Dipartimento di Bioingegneria, Elettronica e Informazione, Politecnico di Milano(生物工程、电子与信息系,米兰理工大学);Agricultural Biosystems Engineering, Wageningen University & Research(农业生物系统工程,瓦赫宁根大学与研究)
提出AgriGS-SLAM框架,结合激光雷达里程计与多相机3D高斯泼溅,解决果园跨季节实时3D建图问题,实现更清晰稳定的重建与轨迹。
2025-10-30 cs.CV cs.RO
Probabilistic End-to-End Vehicle Navigation in Complex Dynamic Environments with Multimodal Sensor Fusion
The Hong Kong University of Science and Technology(香港科技大学)
全天候和全天候导航是自动驾驶的关键能力,这需要对各种环境条件和复杂的智能体行为做出适当的反应。最近,随着深度学习的兴起,自动驾驶汽车的端到端控制得到了很好的研究。然而,大多数作品仅仅基于视觉信息,这些信息可能会因具有挑战性的照明条件(如昏暗的光线或完全的黑暗)而退化。此外,他们通常产生和应用确定性的控制命令,而不考虑未来的不确定性。本文基于模仿学习,利用摄像头、激光雷达和雷达的信息,提出了一种具有多感知能力的概率驾驶模型。我们进一步评估其驾驶性能在线我们的新驾驶基准,其中包括各种环境条件(例如,城市和农村地区、交通密度、天气和一天中的时间)和动态障碍物(例如,车辆、行人、骑摩托车者和骑自行车者)。结果表明,我们提出的模型优于基线,并在交通繁忙和极端天气的不可见环境中实现了出色的泛化性能。
2020-05-05 cs.AI cs.LG cs.RO
Gaussian Process Mapping of Uncertain Building Models with GMM as Prior
Leibniz University Hannover(汉诺威莱布尼茨大学)
针对参考地图质量与不确定性量化不足的问题,提出结合GMM面片与局部GP块技术的高斯过程不确定建筑模型,在城市建筑LiDAR点云上的表现优于多种现有建图方法。
2023-08-28 cs.RO