- 博客(11)
- 收藏
- 关注
RSS订阅原创 激光雷达毫米波雷达融合的神经网络方法
**原理**：专门针对激光雷达点云数据设计的网络结构，如PointNet、PointNet++、VoxelNet等，可先对激光雷达点云进行特征提取和处理，同时将毫米波雷达数据转换为与点云类似的表示形式或提取其特征，然后在点云网络的不同阶段将毫米波雷达特征与激光雷达点云特征进行融合，例如在点云的局部特征聚合或全局特征生成阶段进行融合。- **原理**：专门设计用于融合多种模态数据的网络结构，通常包含多个子网络分别对不同模态的数据进行处理，然后通过融合模块将各子网络的输出进行融合。
2025-01-04 14:15:48
569
原创 激光雷达毫米波雷达融合的传统方法
在激光雷达毫米波雷达融合中，利用粒子滤波可以更好地处理非线性和非高斯问题，将激光雷达和毫米波雷达的观测信息融入到粒子的更新过程中，通过对粒子的重采样和权重更新，实现对目标状态的估计和两种雷达数据的融合。在激光雷达毫米波雷达融合中，可将激光雷达测量的目标位置信息和毫米波雷达测量的目标位置及速度信息作为观测值，利用卡尔曼滤波的递推特性，对目标的状态进行实时估计和更新，从而实现两种雷达数据的融合。它不需要复杂的模型和算法，计算量小，实时性好，能够在一定程度上综合两种雷达的测量信息，提高测量的准确性和稳定性。
2025-01-04 14:14:46
875
原创 BEV特征空间
在深度学习和计算机视觉中，**backbone** 是指神经网络模型的核心部分，通常负责提取输入数据中的特征。对于大多数视觉任务，比如图像分类、目标检测和语义分割，backbone 的作用是将原始图像转换成一组高层次的特征表示，这些表示可以帮助后续的网络部分进行任务特定的处理，如分类、定位、分割等。1. **ResNet**（残差网络）：以其跳跃连接（residual connections）而闻名，可以防止深层网络中的梯度消失问题。
2025-01-02 11:31:03
289
原创 激光雷达和毫米波雷达的融合-Bi-LRFusion
(c) LiDAR到雷达（L2R）融合模块：由基于查询的高度特征融合块和基于查询的BEV特征融合块组成。在这个模块中，从LiDAR原始点和LiDAR特征增强雷达特征，即利用激光雷达数据来改善雷达数据的特征。(d) 雷达到激光雷达（R2L）融合模块：用于将增强的雷达特征融合回以激光雷达为中心的探测网络。(a) 激光雷达BEV特征流：用于对来自激光雷达数据的激光雷达BEV（鸟瞰图）特征进行编码。(e) BEV探测网络：该网络使用R2L融合模块的特征来预测动态物体的3D边界框。
2024-12-31 16:37:29
530
原创 多传感器融合SLAM-松耦合与紧耦合
对 Velocity 和 Bias 这些状态量的估计体现了紧耦合的思想之一 —— 充分考虑观测之间的内在约束，而非仅仅对 Position，Rotation 这样的结果做融合；松耦合通常的思路是首先处理 IMU 的观测数据得到高频的位姿（Pose）信息，将高频的位姿信息用于 LiDAR 观测数据的去畸变和LIDAR 点云配准的初值，然后使用滤波的方式将IMU 观测数据处理得到的高频位姿信息（预测） 和 LIDAR 点云配准得到的位姿信息（观测）融合，得到更加精确的位姿信息。拒止的情况时，系统将自动退化成。
2024-12-31 14:31:14
1019
原创 毫米波雷达与激光雷达的融合（在可见度较低的环境中获得更为稳定可靠的定位和建图效果）
在烟雾浓重、可见度非常低的情况下，激光雷达有效作用距离缩短，减少了前后两帧激光点云之间的重叠部分，从而给定位造成更大的困难。在以上实验中，如果现场没有堆放大量的物品，在低可见度条件下定位和建图有一定的可能会失败。作为一种实时定位和建图的算法，是通过新的一帧观测量（即激光点云）和上一帧（及之前）的观测量（点云模型）作对比，来获得当前帧和上一帧传感器（即激光雷达）相对位姿的改变。而在定位准确的前提下，激光雷达可以提。4D-iRIOM所呈现的毫米波雷达融合惯导所获得的定位和建图的结果与当下主流的激光惯导。
2024-12-30 15:56:45
406
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人