廣告
MIT最新成果：激光雷達超分辨率的新方法
2020-05-14 00:11:04· 來源：智車科技
為了提高稀疏3D激光雷達捕獲點云的分辨率，MIT的研究人員通過研究，將這個問題從3D問題轉換為2D圖像空間中的圖像超分辨率問題，使用深度卷積神經(jīng)網(wǎng)絡來解決。在
為了提高稀疏3D激光雷達捕獲點云的分辨率，MIT的研究人員通過研究，將這個問題從3D問題轉換為2D圖像空間中的圖像超分辨率問題，使用深度卷積神經(jīng)網(wǎng)絡來解決。
在研究和使用激光雷達的時候，經(jīng)常會遇到這樣一個問題，既想要一個大線束的激光雷達來保證車輛周圍的安全性，又需要最大限度的節(jié)省成本，這種情況下，很多研究者正在從算法上提高激光雷達的性能。
近日，MIT提出了一種用于地面車輛在道路上行駛的激光雷達超分辨率的方法，該方法完全依靠駕駛模擬器通過深度學習來增強物理激光雷達的外觀分辨率。
為了提高稀疏3D激光雷達捕獲的點云的分辨率，研究人員將此問題從3D歐幾里得空間轉換為2D圖像空間中的圖像超分辨率，可使用深度卷積神經(jīng)網(wǎng)絡解決該問題。
通過將點云投影到范圍圖像上，使用深度神經(jīng)網(wǎng)絡有效地提高此類圖像的分辨率。通常，深度神經(jīng)網(wǎng)絡的訓練需要大量的真實世界數(shù)據(jù)。此方法不需要任何實際數(shù)據(jù)，因為僅使用計算機生成的數(shù)據(jù)來訓練網(wǎng)絡。
該方法理論上可用于增強任何類型的3D激光雷達。通過在神經(jīng)網(wǎng)絡中創(chuàng)造性的應用蒙特卡洛（Monte-Carlo）壓降并刪除具有高度不確定性的預測，可產(chǎn)生與真實高分辨率激光雷達的觀測結果可比的高精度點云。
由于激光雷達的水平分辨率通常足夠高，所以只能增強垂直分辨率。但是，在一般性前提下，提出的方法也適用僅用一個來增強激光雷達的水平分辨率對神經(jīng)網(wǎng)絡的少量修改。的工作流程提議的方法如圖1所示。給定一個稀疏點來自3D激光雷達的云，我們首先將其投影并獲得低分辨率范圍圖像。然后將此范圍圖像作為輸入提供給神經(jīng)網(wǎng)絡，僅對模擬數(shù)據(jù)進行訓練，用于升級。通過變換將高分辨率圖像像素推斷為3D坐標。
相關論文及代碼：
https://github.com/RobustFieldAutonomyLab/lidar_super_resolution
https://www.catalyzex.com/paper/arxiv:2004.05242
隨著自動駕駛汽車的發(fā)展，對3D激光雷達的需求將大大增加。盡管旋轉的2D激光雷達可以通過連續(xù)反復更改掃描位置，此類系統(tǒng)通常效率低下。典型的3D激光雷達具有多個通道，在不同的高度旋轉，產(chǎn)生帶有環(huán)的3D點云，成像結構。傳感器中的通道數(shù)決定了點云的垂直密度。密集的點云從具有更多通道的激光雷達可以獲??；地形建模和對象高分辨力的激光雷達可以使目標檢測大大受益。
在研究和使用激光雷達的時候，經(jīng)常會遇到這樣一個問題，既想要一個大線束的激光雷達來保證車輛周圍的安全性，又需要最大限度的節(jié)省成本，這種情況下，很多研究者正在從算法上提高激光雷達的性能。
近日，MIT提出了一種用于地面車輛在道路上行駛的激光雷達超分辨率的方法，該方法完全依靠駕駛模擬器通過深度學習來增強物理激光雷達的外觀分辨率。
為了提高稀疏3D激光雷達捕獲的點云的分辨率，研究人員將此問題從3D歐幾里得空間轉換為2D圖像空間中的圖像超分辨率，可使用深度卷積神經(jīng)網(wǎng)絡解決該問題。
通過將點云投影到范圍圖像上，使用深度神經(jīng)網(wǎng)絡有效地提高此類圖像的分辨率。通常，深度神經(jīng)網(wǎng)絡的訓練需要大量的真實世界數(shù)據(jù)。此方法不需要任何實際數(shù)據(jù)，因為僅使用計算機生成的數(shù)據(jù)來訓練網(wǎng)絡。
該方法理論上可用于增強任何類型的3D激光雷達。通過在神經(jīng)網(wǎng)絡中創(chuàng)造性的應用蒙特卡洛（Monte-Carlo）壓降并刪除具有高度不確定性的預測，可產(chǎn)生與真實高分辨率激光雷達的觀測結果可比的高精度點云。
由于激光雷達的水平分辨率通常足夠高，所以只能增強垂直分辨率。但是，在一般性前提下，提出的方法也適用僅用一個來增強激光雷達的水平分辨率對神經(jīng)網(wǎng)絡的少量修改。的工作流程提議的方法如圖1所示。給定一個稀疏點來自3D激光雷達的云，我們首先將其投影并獲得低分辨率范圍圖像。然后將此范圍圖像作為輸入提供給神經(jīng)網(wǎng)絡，僅對模擬數(shù)據(jù)進行訓練，用于升級。通過變換將高分辨率圖像像素推斷為3D坐標。
相關論文及代碼：
https://github.com/RobustFieldAutonomyLab/lidar_super_resolution
https://www.catalyzex.com/paper/arxiv:2004.05242
隨著自動駕駛汽車的發(fā)展，對3D激光雷達的需求將大大增加。盡管旋轉的2D激光雷達可以通過連續(xù)反復更改掃描位置，此類系統(tǒng)通常效率低下。典型的3D激光雷達具有多個通道，在不同的高度旋轉，產(chǎn)生帶有環(huán)的3D點云，成像結構。傳感器中的通道數(shù)決定了點云的垂直密度。密集的點云從具有更多通道的激光雷達可以獲??；地形建模和對象高分辨力的激光雷達可以使目標檢測大大受益。
- 下一篇：自動駕駛之超聲波雷達
- 上一篇：達安中心NVH試驗道場
廣告 編輯推薦
最新資訊
-
“汽車爬坡試驗方法”將有國家標準
2026-03-03 12:44
-
十年耐久監(jiān)管時代：電池系統(tǒng)開發(fā)策略將如何
2026-03-03 12:44
-
聯(lián)合國法規(guī)R59對機動車備用消聲系統(tǒng)的工程
2026-03-03 12:08
-
聯(lián)合國法規(guī)R58對后下部防護裝置的工程化約
2026-03-03 12:07
-
聯(lián)合國法規(guī)R57對摩托車前照燈配光性能的工
2026-03-03 12:07
