无人驾驶汽车行驶是连续时空的三维运动,汽车周围的目标不可能突然消失或者出现,因此,对于感知层而言,稳定可靠的多目标跟踪(Multi-object tracking,MOT)意义重大.针对传统的目标关联和固定生存周期(Birth and death memory,BDM)管理的...无人驾驶汽车行驶是连续时空的三维运动,汽车周围的目标不可能突然消失或者出现,因此,对于感知层而言,稳定可靠的多目标跟踪(Multi-object tracking,MOT)意义重大.针对传统的目标关联和固定生存周期(Birth and death memory,BDM)管理的不足,提出基于边界交并比(Border intersection over union,BIoU)度量的目标关联和自适应生存周期管理策略.BIoU综合了欧氏距离和交并比(Intersection over union,IoU)的优点,提高了目标关联的精度.自适应生存周期管理将目标轨迹置信度与生存周期相联系,显著减少了目标丢失和误检.在KITTI多目标跟踪数据集上的实验验证了该方法的有效性.展开更多
相机和激光雷达多模态融合的3D目标检测可以综合利用两种传感器的优点,提高目标检测的准确度和鲁棒性.然而,由于环境复杂性以及多模态数据间固有的差异性,3D目标检测仍面临着诸多挑战.本文提出了双融合框架的多模态3D目标检测算法.设计...相机和激光雷达多模态融合的3D目标检测可以综合利用两种传感器的优点,提高目标检测的准确度和鲁棒性.然而,由于环境复杂性以及多模态数据间固有的差异性,3D目标检测仍面临着诸多挑战.本文提出了双融合框架的多模态3D目标检测算法.设计体素级和网格级的双融合框架,有效缓解融合时不同模态数据之间的语义差异;提出ABFF(Adaptive Bird-eye-view Features Fusion)模块,增强算法对小目标特征感知能力;通过体素级全局融合信息指导网格级局部融合,提出基于Transformer的多模态网格特征编码器,充分提取3D检测场景中更丰富的上下文信息,并提升算法运行效率.在KITTI标准数据集上的实验结果表明,提出的3D目标检测算法平均检测精度达78.79%,具有更好的3D目标检测性能.展开更多
文摘无人驾驶汽车行驶是连续时空的三维运动,汽车周围的目标不可能突然消失或者出现,因此,对于感知层而言,稳定可靠的多目标跟踪(Multi-object tracking,MOT)意义重大.针对传统的目标关联和固定生存周期(Birth and death memory,BDM)管理的不足,提出基于边界交并比(Border intersection over union,BIoU)度量的目标关联和自适应生存周期管理策略.BIoU综合了欧氏距离和交并比(Intersection over union,IoU)的优点,提高了目标关联的精度.自适应生存周期管理将目标轨迹置信度与生存周期相联系,显著减少了目标丢失和误检.在KITTI多目标跟踪数据集上的实验验证了该方法的有效性.
文摘相机和激光雷达多模态融合的3D目标检测可以综合利用两种传感器的优点,提高目标检测的准确度和鲁棒性.然而,由于环境复杂性以及多模态数据间固有的差异性,3D目标检测仍面临着诸多挑战.本文提出了双融合框架的多模态3D目标检测算法.设计体素级和网格级的双融合框架,有效缓解融合时不同模态数据之间的语义差异;提出ABFF(Adaptive Bird-eye-view Features Fusion)模块,增强算法对小目标特征感知能力;通过体素级全局融合信息指导网格级局部融合,提出基于Transformer的多模态网格特征编码器,充分提取3D检测场景中更丰富的上下文信息,并提升算法运行效率.在KITTI标准数据集上的实验结果表明,提出的3D目标检测算法平均检测精度达78.79%,具有更好的3D目标检测性能.