BEV感知算法 | M2BEV论文解读

最新推荐文章于 2024-12-13 17:49:05 发布
最新推荐文章于 2024-12-13 17:49:05 发布
阅读量1.4k 收藏 28
点赞数 28
分类专栏： 自动驾驶与深度学习 文章标签： 算法
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_44613415/article/details/140483779
版权

本文首发于公众号【DeepDriving】，欢迎关注。

1. 前言

自动驾驶感知系统中有两个很重要的任务：3D目标检测和BEV分割。传统的3D目标检测主要依赖于激光雷达输出的点云，但是使用激光雷达的成本比较高，另一个选择是使用多个相机的图像作为输入去实现车身周围360°的目标检测任务。BEV分割的目标是在BEV框架中对周围环境进行语义分割，比如可行驶区域和车道边界的分割。

在一个统一的框架中去感知周围物体和环境的能力是自动驾驶车辆的核心要求，但是现有的基于相机的方法并不适合做360°多任务感知，M2BEV提出一种高效地将多个视角的2D图像特征转换为基于自车坐标系的3D特征表示的方法，是第一个用统一的框架去实现3D目标检测和BEV分割的多任务模型。

2. 实现细节

2.1 总体结构

了解本专栏 订阅专栏 解锁全文 超级会员免费看
【BEV感知算法概述——下一代自动驾驶感知算法】
weixin_47869094的博客
12-24 3176
2.1 kitti-360数据集kitti-360是一个包含丰富感官信息和完整注释的大规模数据集。我们记录了德国卡尔斯鲁厄的几个郊区，在73.7公里的驾驶距离内，对应超过32万张图像和10万个激光扫描。我们用粗糙的边界基元对静态和动态的三维场景元素进行注释，并将这些信息转移到图像领域，从而为三维点云和二维图像提供了密集的语义和实例注释。为了收集数据，旅行车两边各配备了一个180°的鱼眼相机，前面一个90°的透视立体相机（基线60厘米）。
论文速报《BEV-LIO(LC): 提升稀疏点云SLAM精度的新框架》
最新发布
lovely_yoshino的博客
03-07 7869
随着LiDAR-惯性里程计（LIO）技术的快速发展，结合LiDAR和惯性传感器的SLAM（同时定位与建图）系统在精度和效率上取得了显著进展。然而，稀疏点云的挑战依然存在，尤其是在特征提取和定位精度方面。为了应对这些挑战，本文提出了一种新的LIO框架——BEV-LIO(LC)，该框架通过将LiDAR数据的鸟瞰视图（BEV）表示与几何配准相结合，并通过特征匹配实现鲁棒的回环闭合检测，显著提升了稀疏点云SLAM的性能。
自动驾驶~BEV感知
whaosoft143ai的博客
12-29 697
写到这里了就再分享个自己觉得有趣的事情，那就是有一件看似很反直觉的事情，单从fusion bev的三个算法来看cmt明显性能不错，速度也可以，其次是bevfusion，最后是transfusion。点评：这是一篇没有开源的文章，和lss一样也是nvidia的工作，也是从2d到3d再投影到bev空间但由于假设沿射线的深度分布是均匀的，这意味着沿相机射线的所有体素都填充与2D空间中单个像素对应的相同特征，所以内存高效速度更快，单从文章看效果比lss要好，号称是第一个用统一框架同时做检测和分割任务的，但没开源。
自动驾驶感知算法
05-06 1001
1.设计高效可靠的深度学习模型，在几十毫秒内精确检测和跟踪车周围200米之内所有的障碍物（人，车，非机动车辆，交通锥等），并对场景进行理解 2.如何设计一般性的模型和算法去处理各式各样的长尾情况和极端环境，如路面上的垃圾袋，洒水车的水花，前车掉下来的挡板 ，如大雨，大雪，雾霾，风沙等 3.如何保证感知模型和算法在极端的环境里的准确性和可靠性，如大雨，大雪，雾霾，风沙等 4.把模型优化到极致，让十几个到几十个模型在车上有限的计算资源上欢快的运行 ...
BEV感知（1）--BEV感知算法
NPU 研0
01-31 8315
BEV感知算法、BEV开源数据集、BEV感知方法，算法优缺点
感知算法
winycg的博客
10-15 6655
import numpy as np x1 = [np.array([0, 0]), np.array([0, 1])] x2 = [np.array([1, 0]), np.array([1, 1])] for i in range(len(x1)): x1[i] = np.hstack((x1[i], [1])) for i in range(len(x2)): x2[i] ...
感知器算法
追风赶月莫停留，平芜尽处是春山
06-28 1194
理解并掌握感知机模型的定义以及几何含义，编写一个简单的使用感知机模型进行判别的例子。 掌握感知器学习算法的策略以及原理，并实现一个使用感知器学习算法解决分类问题的简单例子。
BEV感知算法 | FastBEV论文解读
DeepDriving
07-18 1697
FastBEV在M2BEV的基础上对视图变换方法做了一些优化，加入BEVDet4D中的时序融合方法，是一个高性能、推理速度快、部署友好的BEV感知算法。在读FastBEVBEV感知算法 | LSS论文与代码详解BEV感知算法 | BEVDet系列算法论文解读BEV感知算法 | M2BEV论文解读。
史上最全 | BEV感知算法综述（基于图像/Lidar/多模态数据的3D检测与分割任务）...
热门推荐
CV_Autobot的博客
08-09 3万+
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群后台回复【BEV综述】获取论文！后台回复【ECCV2022】获取ECCV2022所有自动驾驶方向论文！1摘要以视觉为中心的俯视图（BEV）感知最近受到了广泛的关注，因其可以自然地呈现自然场景且对融合更友好。随着深度学习的快速发展，许多新颖的方法尝试解决以视觉为中心的BEV感知...
感知机算法
weixin_37762592的博客
09-30 4660
一，感知机算法是什么？ 介绍：感知机是由美国学者Fran Rosenblatt 在1957 年提出来的一种算法。 感知机也是作为神经网络（深度学习）的起源的算法。 感知机是一个具有输入输出的算法，给定一个输入，输出一个既定的值。 原理：感知机接收多个输入信号，输出一个信号。 感知机的信号只有“流/ 不流”（1/0）两种取值。在<<深度学习入门>>书中，0 对应“不传递信号”...
自动驾驶视觉感知算法
小白学视觉
03-28 2612
点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达自动驾驶视觉感知算法（一）环境感知 是自动驾驶的第一环，是车辆和环境交互的纽带。一个自动驾驶系统整体表现的好坏，很大程度上都取决于感知系统的好坏。目前，环境感知技术有两大主流技术路线：①以视觉为主导的多传感器融合方案，典型代表是特斯拉；②以激光雷达为主导，其他传感器为辅助的技术方案，典型代表如谷歌、百度等。我们将围绕着环境感知中...
分类--感知算法
JackLi31742的博客
04-10 1393
1、感知算法（神经网络的基础） 2、xor 异或，多层，也就是神经网络 3、移动的技巧
毫米波雷达：感知算法（一）
2402_83466544的博客
12-13 2525
传统的雷达感知技术包含大量基于规则的算法。这些规则是研究和工程人员利用先验知识和实际数据总结出来的。人类的先验知识是有限的，可处理的数据也是有限的，因此这些规则并不完备，无法涵盖实际场景中的所有情况，而深度学习技术可以自动的从海量数据中获取知识和规则。随着数据不断累积，知识和规则的学习也就越来越完备，并超越基于人工规则的算法。因此，近些年来，学术界和工业界都都在积极的探索如何将深度学习技术用于提高雷达感知算法的性能。
Apollo进阶课程⑲丨Apollo感知之旅——感知算法
10点43的博客
06-09 3531
目录 点云感知 启发式方法：NCut 深度学习方法：CNNSeg 视觉感知 CNN检测 CNN分割 后处理 红绿灯感知 基于深度学习的红绿灯感知模块 Radar感知 超声波感知 原创：阿波君 Apollo开发者社区 5月8日 感知是自动驾驶的第一环，是车辆和环境交互的纽带。一个自动驾驶系统的整体上表现好坏，很大程度上都取决于感知系统的做的好坏。 讲到感知，首先不得...
【机器学习教程】感知机详解
chenmo69的专栏
12-30 1548
今天小编给大家带来感知机算法的详解。感知机算法由Rosenblatt在1957年提出，是一类简单的线性判别算法，通过扩展又可以与许多其他算法密切相关。如逻辑回归模型、支持向量机、前馈神经网络（多层感知机）、线性判别分析等。因此感知机算法尽管很少单独使用，但它对于理解其他模型和算法非常有用，很适合作为开始机器学习的一个切入点，同时也是建立知识体系的一个枢纽。 本文首先简要介绍感知机，然后讲解感知机的...
BEV感知介绍
weixin_41150257的博客
11-17 899
BEV感知是一种将来自多个传感器的数据（如摄像头、激光雷达等）转换为统一的鸟瞰视图表示，并在该视图下进行目标检测、分割、跟踪等任务的技术。这种技术为自动驾驶车辆提供了一个更贴近实际物理世界的统一空间，有助于后续的多传感器融合以及规划控制模块的开发。
机器学习——感知器算法
AI_dataloads的博客
09-18 2978
感知器算法是一种可以直接得到线性判别函数的线性分类方法，它是基于样本线性可分的要求下使用的。
自动驾驶感知——视觉感知经典算法
sinat_52032317的博客
01-28 7605
定义（狭义）：给定图像III, 输出图像中所有目标实例的包围框集合BBkk1KBBk​k1K​,并提供对应包围框中目标实例的类别。
感知机算法实现
sir_TI的博客
11-21 453
具体的原理自己就不再叙述，内容参考《统计数学方法》 原理参考Blog:https://www.cnblogs.com/pinard/p/6042320.html 具体的代码片段就不想截图了，直接去我的GitHub上下载即可 https://github.com/toAlgorithm/machineLearning/blob/master/__PLA.ipynb  ...
多传感器融合的BEV感知算法
12-14
根据引用[1]和引用，多传感器融合的BEV感知算法可以分为前融合和后融合两种方法。 前融合是指将多个传感器的数据在输入到深度学习模型之前进行融合，得到一个统一的输入。这种方法的优点是可以充分利用多个传感器的信息，提高感知精度。但是需要考虑传感器之间的异构性，需要进行数据校准和标定，且计算量较大。 后融合是指各传感器针对目标物体单独进行深度学习模型推理，从而各自输出带有传感器自身属性的结果，并在决策层进行融合。这种方法的优点是不同的传感器都独立进行目标识别，解耦性好，且各传感器可以互为冗余备份。但是后融合也有缺点，当各自传感器经过目标识别再进行融合时，中间损失了很多有效信息，影响了感知精度，而且最终的融合算法，仍然是一种基于规则的方法，要根据先验知识来设定传感器的置信度，局限性很明显。 因此，多传感器融合的BEV感知算法需要根据具体情况选择前融合或后融合方法，并进行数据校准和标定，以提高感知精度。
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

DeepDriving

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