基于时序的4D标注工作

2023-12-20 18:27:33

1. 全局地图重建

1.1. Lidar和Camera的组合

  • R3LIVE:https://arxiv.org/pdf/2109.07982.pdf
    • 方法:对齐camera和lidar的信息
    • LIO和VIO紧耦合的方式
      • LiDAR-inertial odometry (LIO)
      • visual-inertial odometry (VIO)
    • 缺点:
      • 地面出现空洞
      • 紧耦合对标注不太好
    • 改进方向:松耦合
      在这里插入图片描述

1.2. Camera全局地图重建

大场景的重建

Nerf方法

不是很care:mrse、z轴的偏差
考虑到:可操作性、和地图的交互、像素差
在这里插入图片描述

SFM方法

  • pixel-perfect-sfm:https://arxiv.org/pdf/2108.08291.pdf
    • 主要思路:CNN提取特征,然后调整SFM
    • 目前正在使用的,优点:特征提取很好,很鲁棒
    • 实践:重投影误差3个像素以内,光照比较好的情况1个像素误差
    • 缺点:雨天会出现离群点,会做一些过滤
      在这里插入图片描述

Camera base的缺点:

  • 依赖图片质量:低光照、有污渍、极端天气表现不好,很难用超分量的方式来补充失去的feature
    优点:
  • 标签有全局信息,缓解帧间的gap和bbox的调变问题
  • 全部标注成本30%,且数据质量更高
  • 支持多种传感器组合
  • 下游任务友好,例如Synatactic或Occ

标注团队可能用的x99、x79,需要内存占用比较小,优化到2~3G

2. 动态物去除

非刚体物体的去处:人工、策略
跨域检测问题
lidar跨域的适配比较差,会考虑到3D Trans的工作

目前是将RESIMAD嵌入到DetZero

4. 其他工作

Occupancy
既然重建了高精地图,那就可以做Occupancy的生成

  • SurroundOCC:
    • 分类动静态点云,合并多帧

Synthetic

  • READ:
  • drivedreamer:生成驾驶策略,模拟corner case

文章来源:https://blog.csdn.net/qq_35759272/article/details/135109168
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。