-
公开(公告)号：CN118330629A
公开(公告)日：2024-07-12
申请号：CN202410474835.4
申请日：2024-04-19
Applicant: 同济大学
Abstract: 本发明涉及一种基于序列4D雷达点云生成全局描述子的地点识别方法，包括：针对4D雷达帧序列，去除动态点后进行BEV特征图提取，并估计自车速度，得到各帧对应的BEV特征图及雷达自速度；利用雷达自速度进行轨迹引导的可变形特征图对齐处理，得到多个在不同空间尺度下对齐的BEV特征图；采用可变形时空金字塔特征聚合方式，对多个在不同空间尺度下对齐的BEV特征图进行聚合处理，得到聚合BEV特征图；通过压缩聚合BEV特征图，生成全局描述子，以此获得地点识别结果。与现有技术相比，本发明利用4D雷达点集序列中存在的时空上下文信息，能够增强4D雷达点云对场景的表征能力，通过编码序列4D雷达点云以生成具有判别力的全局描述符，能够提高地点识别的准确性。
-
Patent Agency Ranking
公开(公告)号：CN118347491A
公开(公告)日：2024-07-16
申请号：CN202410483094.6
申请日：2024-04-22
Applicant: 同济大学
Abstract: 本发明涉及一种基于多源传感器融合架构的车载单目视觉惯性定位方法，包括：构建基于因子图的多源传感器融合架构，该多源传感器融合架构包括单目相机、惯性测量单元IMU和4D毫米波雷达Radar三类异构传感器；利用多源传感器融合架构输出得到自车位置、姿态和速度信息。与现有技术相比，本发明基于因子图实现车载单目视觉惯性定位，视觉观测通过视觉里程计因子引入，IMU观测通过IMU预积分因子引入，Radar观测通过非完整性约束因子和尺度先验因子引入；针对路口长时间停车，设计零速检测与更新模块；针对小区内近距离转向路段，设计转向识别协方差自适应调整策略。由此能够有效改善单目尺度估计与恢复效果、提升车辆定位精度。
-
公开(公告)号：CN117826143A
公开(公告)日：2024-04-05
申请号：CN202311870866.3
申请日：2023-12-29
Applicant: 同济大学
Abstract: 本发明涉及一种基于深度学习的4D毫米波雷达里程计方法，包括：构建4DRO‑Net架构，包括特征编码模块、初始位姿生成模块以及矫正位姿生成模块；利用4D毫米波雷达点云序列数据集，针对4DRO‑Net架构进行训练，得到4D毫米波雷达里程计模型；将当前传感器采集的4D毫米波雷达点云输入4D毫米波雷达里程计模型，输出得到位姿估计结果。与现有技术相比，本发明采用基于滑动窗口的由粗到精的分层优化方式，以迭代的方式估计和细化位姿，能够充分利用4D毫米波雷达的点云信息，实现对稀疏点云的高效学习、对稀疏的点云数据进行有效的特征提取、提高位姿估计的精度。
-
公开(公告)号：CN117671010A
公开(公告)日：2024-03-08
申请号：CN202311870852.1
申请日：2023-12-29
Applicant: 同济大学
Abstract: 本发明涉及一种基于多模态和多尺度自适应融合的4D雷达视觉里程计方法，包括：构建4DRVO‑Net架构，包括依次连接的特征提取模块、特征融合模块、初始位姿估计模块和位姿迭代细化模块；利用图像‑4D雷达点云对数据集，针对4DRVO‑Net架构进行训练，得到4D雷达视觉里程计模型；将当前实际的图像‑4D雷达点云对输入4D雷达视觉里程计模型，输出得到位姿估计结果。与现有技术相比，本发明基于特征金字塔、位姿扭曲和成本量网络架构，以从粗到精的方法估计和细化位姿，能够实现对稀疏4D雷达点云特征的细粒度学习、实现多尺度的跨模态特征交互和自适应的多模态特征融合、同时能够减少环境中动态物体对里程计估计造成的干扰影响，从而获得更加精准的位姿估计结果。
-
公开(公告)号：CN118397055A
公开(公告)日：2024-07-26
申请号：CN202410446776.X
申请日：2024-04-15
Applicant: 同济大学
IPC: G06T7/33 , G06V10/82 , G06V10/40 , G06N3/045 , G06N3/084 , G06N5/04 , G06N3/0464 , G06N3/0442 , G06N3/048 , G06F17/10 , G01S13/58 , G01S7/02
Abstract: 本发明涉及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，包括：采用基于Point Transformer的多层级特征提取网络，一方面从关联点云对中提取两帧点云对应的特征信息，另一方面从关联点云对中的前一帧的点云中提取上下文特征信息；根据两帧点云对应的特征信息，计算点云关联场；基于上下文特征和点云关联场，通过迭代优化模块更新关联点云对之间的位姿变换，并构建自监督信号，完成里程计网络的训练；在推理阶段，将待测试序列的点云数据输入里程计网络，初始化处理后依次计算各相邻帧的位姿变换，获得整个待测试序列对应的定位轨迹。与现有技术相比，本发明能有效提取稀疏嘈杂的4D毫米波雷达点云特征，获得良好的里程计性能。
-
公开(公告)号：CN118397054A
公开(公告)日：2024-07-26
申请号：CN202410446775.5
申请日：2024-04-15
Applicant: 同济大学
IPC: G06T7/33 , G01S13/58 , G01S7/02 , G06V10/82 , G06V10/40 , G06V10/80 , G06N3/0455 , G06N5/04 , G06F17/10
Abstract: 本发明涉及一种用于自动驾驶车辆的4D毫米波雷达自监督里程计方法，包括：在训练阶段，利用特征编码模块对滑动窗口内的每一帧点云进行多尺度特征提取，将相邻帧点云的多尺度特征聚合为关联特征；针对多尺度特征、关联特征以及输入信息进行编码，得到编码特征；将编码特征输入位姿解码模块，估计初始的位姿变换，并由位姿细化模块对初始的位姿变换进行优化，再结合点置信度估计模块，通过自监督损失函数实现里程计网络的训练；在推理阶段，将连续两帧点云输入里程计网络，输出得到车辆自我运动估计结果。与现有技术相比，本发明能有效提取稀疏嘈杂的4D毫米波雷达点云特征，减少动态物体和噪声的干扰，获得优越的4D毫米波雷达里程计性能。
-
-
-
-
-
Search Results
6
records
(took 0.021 seconds)
