S-BEV:用于天气和光照不变的3-DoF定位的语义鸟瞰视图表示
共 1536字,需浏览 4分钟
·
2021-02-19 14:31
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
作者描述了用于基于视觉的车辆重新定位的轻量化、天气和照明不变、语义鸟瞰(s - bev)特征。在第一次路由遍历时,建立了SBEV签名的拓扑图,用于后续路由遍历时的粗定位。然后训练一个细粒度定位器使用S-BEV和它的粗定位输出车辆的全局3-DoF位姿。作者在vKITTI2虚拟数据集上进行了实验,并展示了S-BEV对天气和照明具有鲁棒性的潜力。作者还在福特AV数据集中展示了在一条22公里长的高速公路上行驶的2辆车的结果。
作者认为,这种定位方法对于机器人和汽车来说是一种有用的解决方案,因为它们在预先绘制的环境中工作,在一天中的不同时间或一年中的不同季节,光照和天气可能会发生剧烈变化。使用S-BEV映射允许只使用2D卷积网络,而不是3D,这有助于提高速度。定位到拓扑节点和训练神经网络来预测相对位姿也限制了最大误差到拓扑节点内。作者的解决方案旨在在鲁棒性、准确性和速度方面取得适当的平衡,以便部署在相对小型和轻量级的嵌入式系统上。
S-BEV系统
S-BEV定位结构
Autoencoder架构
灰盒中的编码器部分用于生成S-BEV映射的潜在嵌入。
Ford AV数据集中的3个拓扑节点的RGB图像、分割图像、深度图和S-BEV表示。这些S-BEVs用于在地图上对车辆进行3-DoF定位。
在vKITTI数据集的场景20上对六种不同天气条件下的S-BEV结构进行采样。尽管天气和照明条件发生了变化,S-BEV的特征结构仍然相似,这说明了它在不同天气和照明条件下的定位潜力。
论文链接:https://arxiv.org/pdf/2101.09569.pdf
每日坚持论文分享不易,如果喜欢我们的内容,希望可以推荐或者转发给周围的同学。
- END -
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~