以下內(nèi)容來自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容

點(diǎn)擊領(lǐng)取學(xué)習(xí)資料 → 機(jī)器人SLAM學(xué)習(xí)資料大禮包

#論文##開源# ?CVPR 2023|中科大悉尼大學(xué)訊飛等開源最新多模態(tài)方法！

Bi-LRFusion:【用于三維動(dòng)態(tài)目標(biāo)檢測的雙向激光LiDAR-Rada

【Bi-LRFusion: Bi-Directional LiDAR-Radar Fusion for 3D Dynamic Object Detection】

作者單位：中科大 悉尼大學(xué) 上海人工智能實(shí)驗(yàn)室

Code地址：GitHub - JessieW0806/Bi-LRFusion

論文鏈接：[2306.01438] Bi-LRFusion: Bi-Directional LiDAR-Rad...

? ?LiDAR和Radar是兩種互補(bǔ)的傳感方法，因?yàn)長iDAR 擅長捕獲物體的3D點(diǎn)云形狀，而Radar可以提供更長的探測范圍和速度信息。雖然看似順理成章，但如何有效地將它們結(jié)合起來以改善特征表示仍然是不明確的。主要的挑戰(zhàn)在于Radar的數(shù)據(jù)極其稀疏且缺乏高度信息。因此，將雷達(dá)特征直接集成到以激光雷達(dá)為中心的檢測網(wǎng)絡(luò)中的方法并不是最佳的。本文引入了一種雙向激光LiDAR-Radar融合框架，稱為Bi-LRFusion，以應(yīng)對挑戰(zhàn)并改善對動(dòng)態(tài)物體的三維檢測。從技術(shù)上講，Bi-LRFusion涉及兩個(gè)步驟：首先，通過從LiDAR的部分可以學(xué)習(xí)一些重要的細(xì)節(jié)來豐富Radar的局部特征，以緩解缺乏高度信息和極端稀疏性帶來的問題;其次，它將LiDAR特征與增強(qiáng)的Radar特征相結(jié)合，形成統(tǒng)一的BEV。 ? ?本文在nuScenes和ORR數(shù)據(jù)集上進(jìn)行了擴(kuò)展實(shí)驗(yàn)，結(jié)果表明我們的Bi-LRFusion在檢測動(dòng)態(tài)對象方面實(shí)現(xiàn)了SOTA性能。值得注意的是，這兩個(gè)數(shù)據(jù)集中的雷達(dá)數(shù)據(jù)的格式是不同的，恰好表現(xiàn)了本文方法的泛化能力。

以上內(nèi)容來自小六的機(jī)器人SLAM學(xué)習(xí)圈知識(shí)星球每日更新內(nèi)容