IROS 2021 | 激光视觉融合新思路？Lidar强度图+VPR

已于 2022-03-21 15:43:12 修改
阅读量2.2k 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： 3D视觉从入门到精通 文章标签： 算法 机器学习 人工智能 计算机视觉 深度学习
于 2022-02-28 07:00:00 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Yong_Qi2015/article/details/123196106
本文通过对《Visual PlaceRecognition using LiDAR Intensity Information》的分析，探讨了将激光雷达强度图像用于VPR的可行性。实验表明，结合现有VPR技术，3D LiDAR强度信息能有效实现闭环，对激光视觉融合提供了新思路。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文阅读《Visual PlaceRecognition using LiDAR Intensity Information》

 

这个文章主要是一个实验分析的工作，文章没有提出新的方法，但是提出了一个假设：激光雷达强度图像可以用于VPR，然后通过目前现有方法的融合证明了这个假设的可行性。在该假设成立的前提下，激光视觉融合或许可以有新的思路.

Motivation

VPR(Visual placerecognition)是一个常见的任务，但是从来没有方法将点云强度构成的图像应用到VPR方法上，考虑到圆柱投影后的点云强度图的密集性，作者认为这个思路是可行的。所以在这个工作中作者分析了VPR如何与 LiDAR 数据结合使用，并对不同的数据集进行了评估。结果表明，这种方法的确是可以确定闭环的有效方法。

Contribution

1、分析评估现有视觉位置识别技术在应用于 3D LiDAR 扫描仪的强度提示时的性能。

2、使用 3D LiDAR 在多个机器人数据集上测试了 VPR 方法的几种变体。实验表明，对现有 VPR 技术的直接调整可以产生可靠的回环，从而实现大规模的仅激光 LiDAR SLAM

Content

1、激光雷达

某种程度上，激光雷达强度是一个关于反射范围以及波长的函数：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
IROS2019 |新开源SuMa++:语义激光雷达SLAM可靠过滤动态物体
计算机视觉life
11-08 4498
SLAM大牛Cyrill Stachniss组发表在IROS2019的新论文SuMa++: Efficient LiDAR-based Semantic SLAM，已经开源。 demo视频： 论文链接： http://www.ipb.uni-bonn.de/wp-content/papercite-data/pdf/chen2019iros.pdf 开源代码： https://github.com...
RF-LIO：面向高动态场景的紧耦合LiDAR惯导融合里程计（IROS 2021）
qq_29462849的博客
01-03 1805
RF-LIO: 面向高动态场景的紧耦合LiDAR惯导融合里程计单位：西安交通大学针对问题：实际场景中动态因素的引入造成基于静态假设的LIO严重位姿漂移提出方法：提出基于自适应的多分辨率Ra...
使用LiDAR远程测量表面粗糙度，表面反射率和人体反射率。
03-17
光检测和测距（LiDAR）强度数据正引起越来越多的关注，因为在各种遥感应用中使用此类数据的潜力很大。 为了充分研究目标分类和识别的数据潜力，我们使用典型的城市建筑材料进行了一系列实验，并使用了我们重建的内置实验室LiDAR系统。 在导出的双向反射率分布函数（BRDF）模型和已建立的积分方法的基础上，对接收到的强度数据进行了分析。 使用改进的拟合算法，可以获得BRDF模型中涉及的参数以描述表面特征。 这些与表面粗糙度相关的参数之一被转换为最常用的粗糙度参数，即粗糙度轮廓的算术平均偏差（R a ），可用于验证BRDF模型在表面表征和性能评估中的可行性。
基于激光雷达和单目视觉融合的SLAM和三维语义重建
点云PCL
05-31 3298
文章：SLAM and 3D Semantic Reconstruction Based on the Fusion of Lidar and Monocular Vision作者：Lu Lou, Yitian Li, Qi Zhang and Hanbing Wei编辑：点云PCL欢迎各位加入知识星球，获取PDF论文，欢迎转发朋友圈。文章仅做学术分享，如有侵权联系删文。公众号致力于点云处理，SL...
Local Descriptor for Robust Place Recognition using LiDAR Intensity
Zlp19970106的博客
09-13 612
文章目录
基于LiDAR强度图像的实时SLAM系统推荐
最新发布
gitblog_00650的博客
09-13 901
基于LiDAR强度图像的实时SLAM系统推荐 项目介绍 Real-Time Simultaneous Localization and Mapping with LiDAR Intensity（基于LiDAR强度图像的实时SLAM系统）是一个创新的开源项目，专注于利用LiDAR传感器的强度图像进行扫描匹配，从而解决传统SLAM系统中的退化问题。该项目由Wenqiang Du和Giovanni Be...
SymCoDrive_IROS2021:IROS2021论文（SymCoDrive）的源代码和经过训练的模型
03-19
coop_repo 这是Rodolfo Valiente Romero和Behrad Toghi的合作驾驶回购 临时说明：要运行： python scripts/rl_agents_scripts/debugger.py 您可以在此文件中添加任意数量的配置或选项，只需选择不同的名称，例如...
超全！SLAM论文与开源代码汇总（激光+视觉+融合）
qq_29462849的博客
10-20 8629
1.代表性视觉SLAM算法论文与开源代码总结2.代表性激光SLAM算法论文与开源代码总结3.代表性激光-视觉融合SLAM算法论文总结激光-视觉-IMU-GPS融合SLAM算法理论与代码讲解...
【Review】用于SLAM的地点识别(Place Recognition)
weixin_46474546的博客
12-16 2047
目录1. Point Cloud（Lidar）2021ICRAICCVIROSCVPROthers20202019ICCV2018IROS2. Researchers3. Visual2021IROSICCVCVPRICRA2020CVPRReference： 1. Point Cloud（Lidar） 2021 ICRA NDT-Transformer: Large-Scale 3D Point Cloud Localisation using the Normal Distribution Trans
vpr_relocalization:在不断变化的环境中视觉位置识别的框架。 匹配任意轨迹重叠的两个图像序列
05-17
使用带有重新定位的图像序列进行视觉位置识别 该代码的作用是什么？ 执行任意形状轨迹的两个图像序列的匹配，例如查询轨迹可能与参考轨迹有所不同。 这项工作是我们在不断变化的视觉外观下进行图像序列匹配的工作的扩展。 先前的方法可以很好地处理大致遵循相同路线的轨迹。 您可以通过此链接找到代码。 在此框架中，系统能够处理任意形状的轨迹： 通过执行重新定位步骤，每当机器人被认为丢失时，例如查询轨迹偏离参考轨迹。 通过考虑有关参考轨迹内相似位置的信息，以确保多重定位假设。 在图中，蓝色轨迹的图像与橙色轨迹的图像匹配。 蓝色轨迹（查询）部分地跟随橙色轨迹（参考）并偏离橙色轨迹。 在此框架中，针对匹配图像序列中的这些挑战。 （为了可视化目的，在Google Maps上绘制了轨迹。GPS坐标不用于位置识别。） 有关理论上的更多详细信息，请参阅我们的论文《 。 安装指南 先决条件 Yaml-cpp
无人车业务中的视觉三维重建
3D视觉工坊
04-15 3023
来源丨汽车自动驾驶技术业务背景1.1 自动驾驶与高精度地图高精地图也称为高分辨率地图（High Definition Map, HDMap）或者高度自动驾驶地图（Highly Automated Driving Map, HAD Map）。近些年，随着自动驾驶技术以及业务的蓬勃发展，高精地图成为了实现高等级自动驾驶必不可少的数据。高精地图是一类拥有精确的地理位置信息和丰富...
强度信息SLAM调研
TheRun的博客
03-14 1684
目标应用场景是具体是通过对强度图像提取orb特征点再2D转3D投影优化获取位姿。代码参考：https://zhuanlan.zhihu.com/p/527529896实验部分测试了几何退化场景：室内环境中，有长走廊和狭窄的通道，在山区环境中，我们有陡峭的坡和狭窄的通道，在街道环境中，有许多障碍和许多转弯，这些情况对于纯激光雷达SLAM来说都很困难。使用强度信息转强度图，对强度图进行超级点提取，利用稀疏的特征点进行里程计估计。
基于图像和激光的多模态点云融合与视觉定位
毕业作品网站
07-07 5328
若干局部地图进行两两匹配，通过一个由粗到精的匹配算法来进行融合，这一算法中结合了传统的点云特征描述子，同时也结合了深度学习对粗匹配点对进行筛选，在不依赖于初始转移估计的情况下获得了比传统ICP算法更好的效果，由此得到了全局场景的三维点云。在定位环节中，为了避免在3D空间中耗时更大的匹配，本文选择将点云与全景图像统一到2D空间中进行匹配，根据这个思路来解决图像与激光之间的跨模态匹配问题，但这涉及到两个问题：第一，点云如何投影到图像中，并尽可能保留更多的特征；这些挑战共同限制了建图的精确性与定位的鲁棒性。
综述 | 激光与视觉融合SLAM
小白学视觉
06-30 7500
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SLAM包含了两个主要的任务：定位与构图，在移动机器人或者自动驾驶中，这是一个十分重要的问题：机器人要精确的移动，就必须要有一个环境的地图，那么要构建环境的地图就需要知道机器人的位置。本系列文章主要分成四个部分：在第一部分中，将介绍Lidar SLAM，包括Lidar传感器，开源Lidar SLAM系统...
即将开源 基于动态不变性感知的多模态视觉位置识别
计算机视觉life
12-01 2379
即将开源！基于动态不变性感知的多模态视觉位置识别
视觉点云与激光点云做匹配
weixin_38348185的博客
03-13 3883
待续。。。
提升90%！利用结构线索增强视觉场景识别(VPR)能力
Vincent Qin
11-15 2616
标题：提升90%！利用结构线索增强视觉地点识别(VPR)能力 标题：Augmenting Visual Place Recognition with Structural Cues 作者：Amadeus Oertel, Titus Cieslewski, Davide Scaramuzza 来源：IEEE Robotics and Automation Letters (RA-L), 2020. 主页：http://rpg.ifi.uzh.ch/research_vo.html 编译：realcat 欢迎个
自动驾驶视觉融合-相机标定与激光点云投影
williamhyin的博客
04-25 5983
Camera Calibration and LIDAR Cloud Projection 多传感器融合一直是自动驾驶领域非常火的名词, 但是如何融合不同传感器的原始数据, 很多人对此都没有清晰的思路. 本文的目标是在KITTI数据集上实现激光雷达和相机的数据融合. 然而激光雷达得到的是3D点云, 而单目相机得到的是2D图像, 如何将3D空间中的点投影到图像平面上, 从而获得激光雷达与图像平面相...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

3Ｄ视觉工坊

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值