GNDnet自动驾驶车辆的快速地平面估计和点云分割 实验部分

最新推荐文章于 2025-05-29 21:08:57 发布
最新推荐文章于 2025-05-29 21:08:57 发布
阅读量863 收藏 1
点赞数
分类专栏： 毕业设计三维点云 文章标签： 自动驾驶 平面 机器学习
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/weixin_43823175/article/details/121864877
版权
这篇博客介绍了GNDnet在自动驾驶车辆中的应用，它利用回归损失和空间平滑损失的加权和作为损失函数进行地平面估计和点云分割。网络结构包括一个不预训练的编码器-解码器架构，采用随机梯度下降进行优化，并在120个周期内收敛。训练数据包括约100000个点的原始点云，输入被离散化为100x100米的二维网格。超参数α和β分别设置为0.9和0.1，以平衡两种损失。

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

GNDnet自动驾驶车辆的快速地平面估计和点云分割 实验部分

接上一篇损失函数

GNDnet的损失函数为回归损失函数和空间平滑损失的加权和

image-20211210104940596

其中I表示形状为（H；W）的网格的地面真实高程图，I^表示预测高程图。超参数α和β用于平衡这两种损失。

对于高程值的回归，我们使用Huber损失。对于空间平滑度，我们最小化预测高程地图二阶梯度的L1范数。我们对相邻单元的二阶梯度范数进行惩罚，以鼓励高程值不是恒定的，而是平稳变化的：

其中

image-20211210105015771

其中rx和ry分别是立面图x和y方向上的坡度。

具体的训练细节

网络结构

我们不预先训练我们的网络，所有权重都是使用均匀分布随机初始化的。支柱特征编码网络中的简化点网有一个完全连接的层，具有C=（9,64）输入输出特征。
在编码器-解码器体系结构中，所有卷积层的内核大小为3，步长和填充为1。除最后一个回归层外，每个卷积层后面是批量归一化和元素校正线性非线性（ReLU）。使用2×2窗口和跨步2执行最大池和最大取消池。使用卷积层的输入输出通道的编码器-解码器网络设计是：

最低0.47元/天 解锁文章
点云从入门到精通技术详解100篇-基于路侧激光雷达的交通目标感知方法与实现
getusushu的博客
10-21 488
激光雷达，是一种结合传统雷达与激光发射器的新型传感器，主要由激光发射器、激 光接收器、数据处理系统以及旋转机构等模块组成。激光发射器通过转台向特定视场角FOV的场景内发射激光束，同时通过光学接收器接收所感知区域内反射回来的激光信号，利用所获取的发射激光束与反射激光束间的相关信息，可直接计算或推导出反射点的距离、高度以及反射强度等信息。本文所使用的数据采集传感器是镭神智能公司生产的C16 多线激光雷达，其测距原理是飞行时间测距法（TOF），如图2.1所示。相较于三角测距。
GndNet: Fast Ground Plane Estimation and Point Cloud Segmentation for Autonomous Vehicles
weixin_43823175的博客
02-25 2564
GndNet: Fast Ground Plane Estimation and Point Cloud Segmentation for Autonomous Vehicles 作者Anshul Paigwar github https://github.com/anshulpaigwar 里面有一些点云处理的工作 主要工作 ：地平面估计和地面的分割 在扩充的SemanticKITTI dataset上，是一种端到端的方法，同时在作者的介绍下是可以达到实时的的效果 runtime of 55HZ 网络结
GNDnet 自动驾驶车辆的快速地平面估计和点云分割 代码学习
weixin_43823175的博客
11-26 1002
GNDnet 自动驾驶车辆的快速地平面估计和点云分割 代码学习 一些网站 ROS学习笔记(十一） rospy介绍（一）https://blog.youkuaiyun.com/weixin_44682965/article/details/107748350 在论文的代码中利用了ros的传递机制，可以复习一下 论文地址 [GndNet: Fast Ground plane Estimation and Point Cloud Segmentation for Autonomous Vehicles：https://hal
GndNet：自动驾驶车辆的快速地面平面估计与点云分割
gitblog_00910的博客
09-02 367
GndNet：自动驾驶车辆的快速地面平面估计与点云分割 GndNet项目地址:https://gitcode.com/gh_mirrors/gn/GndNet 在自动驾驶和机器人技术的快速发展中，地面平面估计和点云分割技术扮演着至关重要的角色。今天，我们将介绍一个创新的开源项目——GndNet，它为这一领域带来了革命性的进步。 项目介绍 GndNet是由Anshul Paigwar等人在IROS...
Ground Estimation and Point Cloud Segmentation using SpatioTemporal Conditional Random Field（论文速读）
周吴郑王
04-02 718
欢迎访问我的个人博客：zengzeyu.com   Abstract 无论是生成训练集还是障碍物识别跟踪系统，抑或是合理生成栅格地图，3D点云中地面点的提取分割分类操作是至关重要的一步，整个感知网络都可建立在其有效性上。在点云数据中，地平面估计或模式识别的不合理有可能导致系统性错误和运算量的激增。本文描述一种基于局部点云高度自适应的3D地面点云标记方法。此系统将地面建模为时空条件随机...
3D点云地图地面去除（3）：点云平面法向量估计
sru_alo的博客
12-19 4959
        在（1）中，利用RANSAC方法可以在室外提取部分地面特征点，这些特征点可以构成一个不完整的地面。计算出这个不完整地面的法向量，进一步求出 z 轴的变换矩阵 T ，以此可以将采集的点云数据的方向校正，使之成为与标准坐标轴平行的点云，方便后续的处理。激光雷达在采集数据时，其 z 轴与地面法向量不平行，而且这种情况随时都在发生。自动驾驶车辆或者机器人行驶过程中，路面随时都有小的颠簸，偶...
快速估计一组点形成的平面并判断点云数据的一致性
sdas653的博客
03-12 487
那么A * normvec = b就是一个超定线性方程，解决方法通常是找到一个最优解，使得 A * normvec = b 的范数最小。其中，向量（a,b,c）就是该平面的法向量，如果一个点在平面上应该符合平面方程。通过解这个方程，则可以算出a,b,c。则有：A * normvec = b。这个问题的解就是平面的法向量。
GndNet学习记录
yue__ye的博客
10-06 746
这篇论文是IROS2020年的论文，9月1号提交的，还没提交几天。IROS2020是10月份才开始。。准备以边看代码，再边看论文的方式学习。这篇论文代码链接论文代码，不过似乎还没完全弄好(毕竟9月1号才提交，到现在都没几天)，论文链接。 库的导入 import argparse import os import shutil import yaml import time import math import torch import torch.nn as nn import torch.nn.func
GndNet 开源项目教程
gitblog_01122的博客
09-02 300
GndNet 开源项目教程 GndNet项目地址:https://gitcode.com/gh_mirrors/gn/GndNet 1. 项目的目录结构及介绍 GndNet 项目的目录结构如下： GndNet/ ├── data/ │ └── ... ├── docs/ │ └── ... ├── models/ │ └── ... ├── scripts/ │ └── ... ...
GNDnet代码学习记录
weixin_43823175的博客
12-17 797
GNDnet代码学习记录 GNDNET 自动驾驶车辆的快速地平面估计和点云分割 这篇文章的主要工作是在pointpillar上进行延伸来进行地面点和非地面的划分。 GNGnet数据生成部分 主要是在dataset_utils部分 gnd_data_generator/semKitti_morph_data.py 这个文件是作者魔改了python调用semkitti数据集的api，相当于一个semKitti到python的parser，可以使得semkitti数据集的数据被numpy所使用。同时使用了morp
Docker入门
11-09 266
原文地址：http://dockone.io/article/8350 在计算机技术日新月异的今天， Docker 在国内发展的如火如荼。特别是在一线互联网公司 Docker 的使用是十分普遍的，甚至成为了一些企业面试的加分项，不信的话看看下面这张图。这是我在某招聘网站上看到的招聘 Java 开发工程师的招聘要求，其中有一条熟悉 Docker 成为了你快速入职的加分项，由此可见熟...
3.19学习汇报
wangkezhiwd的博客
03-19 4250
1. 比赛程序测试： (1) Patchwork: 方法来源： Patchwork: Concentric Zone-Based Region-Wise Ground Segmentation With Ground Likelihood Estimation Using a 3D LiDAR Sensor，RAL 2021 源码：https://github.com/LimHyungTae/patchwork 文中地面点定义： 本方法识别的地面点（ground points）不仅指道路，还包括草坪
[自动驾驶-目标检测] C++ PCL 地面点云分割
Lion996的博客
06-09 6796
在实际实现3D目标检测时，在不依靠深度学习的训练模型时，仅采用传统方法实现目标检测。一般在实施检测之前，均需要删除地面点云才能确保后续其他障碍物点云数据的提取精度，防止因为地面点云产生干扰。............
Ground Estimation and Point Cloud Segmentation using SpatioTemporal Conditional Random Field （精读）
周吴郑王
04-04 2247
欢迎访问我的个人博客：zengzeyu.com   前言 译者按：时空条件随机场（Spatio-Temporal Conditional Random Field，STCRF），所谓“时空”在此论文中：“时”表示，模型与前一时刻 t-1 的地面估计相关；“空”表示与当前时刻 t 的当前空间分布有关。（具体参照正文中的时空模型）   摘要（Abstract） 无论是生成训...
5篇CVPR 各路大佬显身手 点云分割、姿态估计、物体检测、生成重建
3D视觉工坊
04-07 3384
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达3D方向：港中文针对分割问题提出双重设置点分组模型；清华提出无需 PoseNet 的联合深度姿势学习；北理工和百度提出基于LiDA...
单目深度估计：局部平面法线约束导引的深度估计网络BTS【论文阅读】
qq_34923437的博客
10-14 1500
论文及作者信息： Hanyang University（韩国） Jin Han Lee, Myung-Kyu Han, Dong Wook Ko and Il Hong Suh 【2019】From big to small Multi-scale local planar guidance for monocular depth estimation 开源：https://github.com/cogaplex-bts/bts 应用及分类： 单目深度估计从输入形式上有三种：1，single i
自动驾驶中的路径跟踪：Python实现与技术解析
Echo_Wish
05-29 127
摘要：路径跟踪是自动驾驶的核心技术，确保车辆沿预设轨迹稳定行驶。Pure Pursuit算法通过计算前瞻点与车辆的偏差确定转向角度，Python实现展示了其基本原理。实际应用中需结合传感器数据动态调整，AI优化（如强化学习）可提升路径跟踪性能。当前挑战包括复杂环境适应性和计算资源优化，未来趋势将融合多传感器、边缘计算和AI技术，推动自动驾驶向更高精度和智能化发展。
Python 如何让自动驾驶的“眼睛”和“大脑”真正融合？——传感器数据融合的关键技术解析
Echo_Wish
05-28 194
摘要：Python在自动驾驶传感器数据融合中发挥关键作用。不同传感器各有局限，需通过数据融合提升系统稳定性。融合方法分为低级、中级和高级融合，常用技术包括卡尔曼滤波和深度学习。Python代码示例展示了卡尔曼滤波在GPS与IMU数据融合中的应用，以及深度学习模型实现LiDAR与摄像头数据融合。Python凭借高效、可扩展的优势，成为自动驾驶传感器数据融合的重要工具，帮助车辆更准确地感知环境并做出决策。
Diffusion Planner:扩散模型重塑自动驾驶路径规划（ICLR‘25）
最新发布
bhoigu的博客
05-29 480
2025年2月14日，清华大学AIR智能产业研究院联合毫末智行、中科院自动化所和香港中文大学团队，在ICLR 2025会议上发布了Diffusion Planner——一种创新性的基于Diffusion Transformer的自动驾驶规划模型架构。该系统联合建模周车运动预测与自车行为规划，显著提升了复杂场景下的决策效率与稳定性，克服了传统学习方法对后处理的依赖，推动了自动驾驶系统从“黑盒生成”走向“可控可调”的新时代。
ros2人行道识别
04-19
- **LiDAR 数据**: 使用 GNDnet 的方法[^3]可以从 KITTI 数据集中提取地面点和平面分割的结果。这种方法能够高效地标记道路和非道路区域。 - **摄像头数据**: 如果使用视觉传感器，则可以通过语义分割网络（如 ...
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
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