- 使用学习改进RADAR和LIDAR之间的外参校准（arXiv）
作者：Peng Jiang，Srikanth Saripalli
摘要：LIDAR和RADAR是自动驾驶系统中常用的两种传感器。两者之间的外参校准对于有效的传感器融合至关重要。由于RADAR测量的低精度和稀疏信息，这种校准面临挑战。本文提出了一种用于自动驾驶系统中3D RADAR-LIDAR校准的新方法。该方法采用简单的目标生成数据，包括对应点配对和一步优化算法。优化的目标是最小化投影误差，同时利用小型多层感知器（MLP）对传感器围绕目标的返回能量进行回归。所提出的方法使用PyTorch等深度学习框架，并可通过梯度下降进行优化。实验使用了360度Ouster-128 LIDAR和360度Navtech RADAR，提供了原始测量数据。结果验证了所提出的方法在获得改进的外参校准参数估计方面的有效性。
- MotionBEV：基于鸟瞰图的外观和运动特征的注意力感知在线LiDAR运动目标分割（arXiv）
作者：Bo Zhou，Jiapeng Xie，Yan Pan，Jiajie Wu，Chuanzhao Lu
摘要：识别运动物体是自动驾驶系统的重要能力，它为姿态估计、导航、避碰和静态地图构建提供了关键信息。本文提出了MotionBEV，一种快速准确的LiDAR运动目标分割框架，该框架使用鸟瞰图（BEV）域中的外观和运动特征分割运动物体。我们的方法将3D LiDAR扫描转换为2D极坐标BEV表示，以实现实时性能。具体而言，我们使用简化的PointNet学习外观特征，并通过在极坐标BEV坐标系中将点云的连续帧投影到垂直列上来计算运动特征。我们采用双分支网络，由外观-运动协同注意力模块（AMCM）连接，以自适应地融合外观和运动特征的时空信息。我们的方法在SemanticKITTI-MOS基准测试中实现了最先进的性能，在RTX 3090 GPU上的平均推断时间为23毫秒。此外，为了展示我们方法的实际有效性，我们提供了一个由固态LiDAR记录的LiDAR-MOS数据集，其具有非重复扫描模式和小视场。
译自：https://medium.com/@monocosmo77/developments-around-lidar-part1-future-technology-88b2205e87c
评论(0)