CN116912175A - 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法 - Google Patents

一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法 Download PDF

Info

Publication number
CN116912175A
CN116912175A CN202310760983.8A CN202310760983A CN116912175A CN 116912175 A CN116912175 A CN 116912175A CN 202310760983 A CN202310760983 A CN 202310760983A CN 116912175 A CN116912175 A CN 116912175A
Authority
CN
China
Prior art keywords
point cloud
feature
loop
module
frame
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310760983.8A
Other languages
English (en)
Inventor
汪少华
郑德凯
李祎承
李春
殷春芳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu University
Original Assignee
Jiangsu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu University filed Critical Jiangsu University
Priority to CN202310760983.8A priority Critical patent/CN116912175A/zh
Publication of CN116912175A publication Critical patent/CN116912175A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于点云体素化TransFormer的Lidar‑SLAM回环检测系统及方法,回环候选帧检测模块读取点云文件获得当前帧点云并遍历历史帧点云,送入特征提取模块中；特征提取模块包括利用多分辨率体素特征提取模块提取点云多维度特征，获得具有局部信息的特征向量，输入自注意力网络(TransFormer)模块进行特异性增强，兼顾全局感受野和局部感受野的信息，增强句子中单词与单词之间的联系，输入特征编码网络(NetVLAD)和全连接层组成的全局描述子生成器，利用特征编码网络(NetVLAD)对全局描述子进行压缩；距离最小并小于阈值的历史点云被认为是检测到的当前地点。本发明通过结合多分辨率体素特征及TransFormer模块,提高回环检测的准确性,从而提高整个Lidar‑SLAM过程的定位精度。

Description

一种基于点云体素化TransFormer的Lidar-SLAM回环检测系 统及方法
技术领域
本发明属于计算机视觉技术领域，尤其涉及一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法。
背景技术
定位是汽车自动驾驶技术中的主要难点，定位技术不仅是对车辆自身的定位，还要对车辆行驶过程中周围环境的相对位置有一定感知，自动驾驶汽车在一个未知环境的未知地点出发，车辆在运动的过程中，通过传感器来观测和定位自身的位置、姿态和运动轨迹，然后根据自身的位置进行增量式的地图构建，这种方式能够将地图构建和定位同时进行，二者是一个相辅相成的过程，即SLAM技术，主要包括激光SLAM与视觉SLAM，激光SLAM(Lidar-SLAM)在理论、技术和产品落地上都较为成熟，因而成为现下最为主流的定位导航方式。早期的激光SLAM多采用扩展卡尔曼滤波等手段来优化位姿的估计和地图构建的准确性，后期随着计算能力的提升及算法的改进，图优化、位姿优化等手段逐渐成为主流。
回环检测是指机器人识别曾到达某场景，使得地图闭环的能力，目的是解决整个SLAM出现的累计误差，导致无法构建全局一致的轨迹和地图。车辆在自动驾驶过程中利用自身配备的激光雷达获取周围环境的信息，然后与产生的高精地图进行比对，以此来判断周围的环境是否曾经经过。回环检测的关键在于如何有效的检测出车辆经过同一个地方，回环检测的准确性关系到估计的轨迹和地图在长时间下的正确性，精度高的回环检测能够提高当前数据与所有历史数据的关联，从而可以利用回环检测进行重定位。目前多是通过特征匹配技术计算两帧点云之间的相似性实现的，但是特征匹配技术面对回环时结构变化和采集点云稀疏等问题导致回环检测准确度下降。
由于点云的无序性及稀疏性目前较少有利用深度学习方法作为Lidar-SLAM回环检测的描述子提取方法，目前主流的点云深度学习方法包括PointNet家族、PV-RCNN等多用于点云配准及分割任务，对于回环检测任务，这些算法提取的特征仅为局部特征，无法直接用于回环的检测。DanieleCattaneo提出的LCDNet能有效检测出逆回环的回环检测在传统回环检测的基础上还加入了位姿估计，但计算时间较长，计算回环描述子接近100ms,点云配准用时超过1000ms。德国波恩大学XieyuanliChen提出OverLapNet通过深度学习完成点云转换为影像，然后做回环检测直接估计两帧点云的重叠率与相对角度，但当环境特征退化时重叠率的估计精度会下降。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
为解决上述技术问题，本发明提供如下技术方案：利用回环候选帧检测模块读取点云文件获得当前帧点云并遍历历史帧点云,送入特征提取模块中；利用特征提取模块包括多分辨率体素特征提取模块提取点云多维度特征，获得具有局部信息的特征向量，输入自注意力网络TransFormer模块进行特异性增强，兼顾全局感受野和局部感受野的信息，增强句子中单词与单词之间的联系；利用特征编码网络(NetVLAD)和全连接层组成的全局描述子生成器，对全局描述子进行压缩，提高算法的运算速度；利用特征匹配模块将当前帧点云提取的描述子与所有历史点云的描述子进行欧氏距离的计算，距离最小并小于阈值的历史点云被认为是检测到的当前地点。
本发明的目的是结合深度学习与特征匹配技术，提高激光SLAM回环检测准确性，为此提供了一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法。
本发明是通过以下技术手段实现上述技术目的的。
作为本发明所述的一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法的一种优选方案，其中：检测所述回环候选帧具体包括，
获得当前帧点云，根据历史帧位姿变化进行帧间对齐；设置所述设定值为检测阈值筛选所述关键帧，获取值大于所述检测阈值，获得所述回环候选帧，并把所述回环候选帧与所述检测帧送入所述特征提取模块中。
作为本发明所述的一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法的一种优选方案，其中：所述特征提取模块具体包括：多分辨率体素特征提取模块，用于提取点云多维度特征,获得具有局部信息的特征向量，自注意力网络TransFormer模块，用于进行特异性增强，及特征编码网络NetVLAD和全连接层组成的全局描述子生成器，用于对全局描述子进行压缩，提高算法的运算速度。
作为本发明所述的一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法的一种优选方案，其中：所述特征匹配模块包括，利用开源Faiss算法进行快速搜索最近描述子。
作为本发明所述的一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法的一种优选方案，其中：所述多分辨率体素特征提取模块具体包括，将源点云进行体素化，分别进行1×，4×，8×下采样，利用最远关键点采样(FPS)算法提取点云关键点，利用K-维树最近邻搜索(Kdtree)获得关键点周围点云簇，利用多维度体素特征提取模块(VoxelSetAbstraction)在每一层的特征图及点云簇上进行特征提取操作，获得不同分辨率的特征；得到多尺度信息关键点高效编码。
作为本发明所述的一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法的一种优选方案，其中：所述自注意力网络TransFormer模块具体包括，TransFormer模块由一个编码器堆栈和一个解码器堆栈组成；编码器由self-attention(multi-head)和前馈神经网络组成，每一层之间通过残差连接；解码器包括self-attention和前馈神经网络外及编码器-解码器注意力模块，每一层之间通过残差连接。
作为本发明所述的一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法的一种优选方案，其中：所述改进的全局描述子生成器具体包括，特征编码网络NetVLAD对特征描述子进行存在偏差的线性变换后进行归一化操作，得到一个K×D维度的全局描述子(其中，K为关键点个数，D为每个点的特征维度)，全连接层层生成维度为2x256的地点描述子向量。
作为本发明所述的一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法的一种优选方案，其中：所述开源Faiss算法包括，索引Index模块对输入特征描述子向量集进行预处理和封装，搜索Search模块进行相似度计算，返回的元素与近邻的距离矩阵和近邻向量的索引序号矩阵；当前帧点云提取的描述子与所有历史点云的描述子进行欧氏距离的计算，距离最小并小于阈值的历史点云被认为是检测到的当前地点。
本发明的有益效果
(1)利用深度学习可学习的特性，避免传统点云特征提取针对特定任务有不同的假设、新的任务很难优化等问题，提高算法应用场景，提高适应性。
(2)通过加入自注意力网络，解决点云无序性、稀疏性等问题，保持点云本身旋转不变性，与传统算法及其他点云深度学习算法相比，在回环时结构变化和采集点云稀疏时仍能捕捉到足够有效信息，提高了回环检测的准确率和召回率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的基于点云体素化自注意力网络的激光雷达回环检测系统及方法的流程示意图；
图2为本发明第一个实施例所述的基于点云体素化自注意力网络的激光雷达回环检测系统及方法的特征提取模块示意图；
图3为未激励时行列电极默认的开关配置；
图3A为激励脉冲发射电路；
图3B为地回路选通电路；
图4为任意单阵元激励时行列电极的开关配置；
图5为任意单阵元接收时行列电极的开关配置；
图6为任意单阵元激励及接收开关配置时序图；
图7为激励脉冲波形图；
图8(a)为电极配置为高阻态时行电极偏置电压波形图；图8(b)为配置接地状态时行电极的波形图；
图9为单阵元激励模式下实测超声回波信号波形图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的在于克服现有技术的不足，提出一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法，基于深度学习能学习到更高级特征的优点解决回环时结构变化和采集点云稀疏导致的回环检测准确度下降等问题，至少解决相关技术中车辆得到的感知信息不全面的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
在Lidar-SLAM中，由上一帧位姿解算当前帧位姿而产生的误差，在一帧帧的传递过程中造成累计误差，从而创建了回环检测来减小累计误差，其中，当前帧与之前的某一帧建立位姿约束关系叫回环，找出建立这种位姿约束的历史帧就是回环检测。当把所有帧与当前帧做匹配时，计算量过大，从而通过词袋技术来进行辅助筛选信息，但是目前词袋技术严重依赖预训练词典，使得回环检测能力不高，准确度不够，因此，本发明采用特征提取技术的策略，提高了回环检测准确性。
参照图1和图2，为本发明的第一个实施例，提供了一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法，包括以下步骤：
S1：回环候选帧检测模块，用于接收多线激光雷达传感器采集到的点云数据，获得当前帧点云并遍历历史帧点云,送入特征提取模块中；
获得当前帧点云，利用点线迭代最近点算法(PL-ICP)历史帧位姿变化进行帧间对齐；
设置80％为回环最大设定值；
获取值大于检测阈值的点云帧作为回环候选帧，并把回环候选帧与检测帧送入特征提取模块中；
S2：特征提取模块，利用多分辨率体素特征提取模块提取点云多维度特征，获得具有局部信息的特征向量，输入TransFormer模块进行特异性增强，兼顾全局感受野和局部感受野的信息，增强句子中单词与单词之间的联系，输入特征编码网络(NetVLAD)和全连接层组成的全局描述子生成器，利用特征编码网络(NetVLAD)对全局描述子进行压缩，提高算法的运算速度；
利用最远关键点采样(FPS)算法提取关键点(keypoints)；
利用K-维树最近邻搜索(Kdtree)产生点云簇，提取点云簇的局部特征
提取每一层体素(voxel)特征，第k层的体素特征其对应的voxel坐标为/>其中lk表示第k层，Nk表示第k层中特征不为空的体素个数；
连接点云簇与不同voxel层之间的特征，形成最终的关键点特征 其中p代表所有层的集合，raw、pv1、pv2、pv3分别代表原始点层和第1、2、3个体素层，i为每层关键点个数,i＝1,…,n，得到多尺度信息关键点高效编码；
利用TransFormer模块对特征进行特异性增强，兼顾全局感受野和局部感受野的信息，增强句子中单词与单词之间的联系；
利用特征编码网络NetVLAD对特征描述子进行存在偏差的线性变换后进行归一化操作，得到一个K×D的全局描述子(其中，K为关键点个数，D为每个点的特征维度)，全连接层层生成维度为2x256的地点描述子向量；
S3：利用开源Faiss算法将当前帧点云提取的描述子与所有历史点云的描述子进行欧氏距离的计算，距离最小并小于阈值的历史点云被认为是检测到的当前地点。
其中x、yi分别代表当前帧点云提取的描述子与第i个历史点云的描述子。
本发明所述的一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法，本发明选择多线激光雷达为SLAM定位传感器，在回环时结构变化和采集点云稀疏时仍能捕捉到足够有效信息，提高了回环检测的准确率和召回率，保证了高精度的定位；
初步实验结果
本方法在KITTI-05,KITTI-06,KITTI-09数据集上进行训练100个循环，在KITTI-00及KITTI-08数据集上进行验证，获得初步训练结果为：
综上，一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法实现了高精度的定位，为实现移动机器人在室内外路径规划奠定了基础。
上面结合附图对本发明的实例进行了描述，虽然本发明已以较佳实施例公开如上，但其并非用以限定本发明，任何熟悉此技术的人，在不脱离本发明的精神和范围内，都可做各种的改动与修饰，因此本发明的保护范围应该以权利要求书所界定的为准。

Claims (8)

1.一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法，其特征在于：所述方法采用点云特征与深度学习网络实现移动平台在室内外环境下高精度的回环检测，方法包括如下步骤：
步骤1：回环候选帧检测模块，用于接收多线激光雷达传感器采集到的点云数据，获得当前帧点云并遍历历史帧点云,送入特征提取模块中；
步骤2：特征提取模块，包括利用多分辨率体素特征提取模块提取点云多维度特征，获得具有局部信息的特征向量，输入自注意力网络模块进行特异性增强，兼顾全局感受野和局部感受野的信息，增强句子中单词与单词之间的联系，输入特征编码网络和全连接层组成的全局描述子生成器，利用特征编码网络对全局描述子进行压缩，提高算法的运算速度；
步骤3：特征匹配模块，将当前帧点云提取的描述子与所有的历史点云的描述子进行欧氏距离的计算，距离最小的历史点云被认为是检测到的当前地点，回环产生。
2.根据权利要求1所述的方法，其特征在于：在检测所述回环候选帧之前，先获得当前帧点云，根据历史帧位姿变化进行帧间对齐；设置80％为回环最大设定值。
3.根据权利要求1所述的方法，其特征在于：检测所述回环候选帧还包括：
将所述设定值作为检测阈值；
利用所述检测阈值筛选所述关键帧；
获取值大于所述检测阈值，获得所述回环候选帧，并把所述回环候选帧与所述检测帧送入所述特征提取模块中。
4.根据权利要求1所述的方法，其特征在于：所述特征匹配模块利用开源Faiss算法进行快速搜索最近描述子。
5.根据权利要求1所述的方法，其特征在于：所述多分辨率体素特征提取模块具体包括，
将源点云进行体素化，分别进行1×，4×，8×下采样；
利用FPS算法提取点云关键点，利用K-维树最近邻搜索获得关键点周围点云簇；
利用多维度体素特征提取模块在每一层的特征图及点云簇上进行特征提取特征提取操作，获得不同分辨率的特征，组合为一帧点云的多尺度特征。
6.根据权利要求1所述的方法，其特征在于：所述自注意力网络模块由一个特征增强模块、一个编码器堆栈和一个解码器堆栈组成；
特征增强模块由多层不同维度的二维卷积组成，负责对输入的特征进行降维；
编码器由多头自注意力网络和前馈神经网络组成，每一层之间通过残差连接；
解码器包括self-attention和前馈神经网络外及编码器-解码器注意力模块，每一层之间通过残差连接。
7.根据权利要求1所述的方法，其特征在于：改进的全局描述子生成器具体包括，
利用特征编码网络NetVLAD对特征描述子进行存在偏差的线性变换后进行归一化操作，得到一个K×D的全局描述子，其中，K为关键点个数，D为每个点的特征维度；
利用全连接层层生成维度为2×256的地点描述子向量。
8.根据权利要求4所述的方法，其特征在于：所述开源Faiss算法具体包括：
利用索引对输入特征描述子向量集进行预处理和封装；
利用搜索模块进行相似度计算，返回的元素与近邻的距离矩阵和近邻向量的索引序号矩阵；
当前帧点云提取的描述子与所有的历史点云的描述子进行欧氏距离的计算，距离最小并小于阈值的历史点云被认为是检测到的当前地点，认为回环产生。
CN202310760983.8A 2023-06-26 2023-06-26 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法 Pending CN116912175A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310760983.8A CN116912175A (zh) 2023-06-26 2023-06-26 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310760983.8A CN116912175A (zh) 2023-06-26 2023-06-26 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法

Publications (1)

Publication Number Publication Date
CN116912175A true CN116912175A (zh) 2023-10-20

Family

ID=88365914

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310760983.8A Pending CN116912175A (zh) 2023-06-26 2023-06-26 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法

Country Status (1)

Country Link
CN (1) CN116912175A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173247A (zh) * 2023-11-02 2023-12-05 中国海洋大学 基于2D激光雷达与LightGBM的室外定位与构图方法及系统
CN118053010A (zh) * 2024-04-15 2024-05-17 湖南大学 拒止环境下基于无人机图像和卫星地图的景象匹配方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117173247A (zh) * 2023-11-02 2023-12-05 中国海洋大学 基于2D激光雷达与LightGBM的室外定位与构图方法及系统
CN117173247B (zh) * 2023-11-02 2024-02-02 中国海洋大学 基于2D激光雷达与LightGBM的室外定位与构图方法及系统
CN118053010A (zh) * 2024-04-15 2024-05-17 湖南大学 拒止环境下基于无人机图像和卫星地图的景象匹配方法
CN118053010B (zh) * 2024-04-15 2024-07-19 湖南大学 拒止环境下基于无人机图像和卫星地图的景象匹配方法

Similar Documents

Publication Publication Date Title
CN116912175A (zh) 一种基于点云体素化TransFormer的Lidar-SLAM回环检测系统及方法
Hu et al. Dasgil: Domain adaptation for semantic and geometric-aware image-based localization
CN106780631B (zh) 一种基于深度学习的机器人闭环检测方法
CN111915571A (zh) 融合残差网络与U-Net网络的图像变化检测方法、装置、存储介质及设备
Hong et al. A traffic surveillance multi-scale vehicle detection object method base on encoder-decoder
CN112395957A (zh) 一种针对视频目标检测的在线学习方法
Tsintotas et al. DOSeqSLAM: Dynamic on-line sequence based loop closure detection algorithm for SLAM
Hu et al. A video streaming vehicle detection algorithm based on YOLOv4
CN113129336A (zh) 一种端到端多车辆跟踪方法、系统及计算机可读介质
CN116740424A (zh) 基于Transformer的时序点云三维目标检测
Hamaguchi et al. Hierarchical neural memory network for low latency event processing
Tsintotas et al. Dimensionality reduction through visual data resampling for low-storage loop-closure detection
CN118397055A (zh) 一种耦合深度学习与物理优化的4d毫米波雷达自监督里程计方法
CN117011701A (zh) 一种层次化特征自主学习的遥感图像特征提取方法
CN114694014A (zh) 一种基于多层神经网络的sar图像舰船目标检测方法
CN117152630A (zh) 一种基于深度学习的光学遥感图像变化检测方法
CN111950476A (zh) 基于深度学习的复杂环境下河道船舶自动识别方法
CN116310970A (zh) 基于深度学习的自动驾驶场景分类算法
Herraez et al. Spr: Single-scan radar place recognition
CN115880551A (zh) 一种基于视觉自注意力的多传感器目标检测方法
CN115187614A (zh) 一种基于stdc语义分割网络的实时同时定位与建图方法
Amini et al. New approach to road detection in challenging outdoor environment for autonomous vehicle
Song et al. SSF-MOS: Semantic Scene Flow Assisted Moving Object Segmentation for Autonomous Vehicles
Wang et al. Aerospace target detection based on complex background
Ranjbar et al. Scene novelty prediction from unsupervised discriminative feature learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination