GPU 加速的 3D 多边形可见性区块以促进感知和导航
内容提要
本文汇总了多项计算机视觉与机器人研究，涵盖LiDAR 3D检测、CPU子地图对齐、无人机3D重建与轨迹规划、反无人机传感器部署、RGB-D动态障碍物跟踪、语义三维重建、GNSS拒止下无人机视觉定位、场景表示、2D到3D语义实例建图及单目深度估计，多数在公开数据集上取得领先结果。
延伸解读
多领域技术进展
文章汇总了多项研究，涵盖LiDAR 3D检测、CPU子地图对齐、无人机3D重建与轨迹规划、反无人机传感器部署、RGB-D动态障碍物跟踪、语义三维重建、GNSS拒止下无人机视觉定位、场景表示、2D到3D语义实例建图及单目深度估计。这些工作多数在公开数据集上取得领先结果，反映了计算机视觉与机器人领域在感知、建图和导航方面的多元化发展。
评估方法需关注
在2D到3D语义实例建图研究中，作者指出最近研究评估中的一个问题：使用真实轨迹作为输入而不是SLAM估计的轨迹，这对准确性产生了重大影响，导致报告结果与实际数据上的性能之间存在很大差距。这提醒研究者在评估建图算法时，应使用SLAM估计的轨迹以更真实地反映实际性能。
动态环境下的跟踪与避障
针对动态环境，有研究提出基于RGB-D相机的实时动态障碍物跟踪和建图系统，使用占用格子图生成动态障碍物区域，应用卡尔曼滤波和连续滤波跟踪每个动态障碍物，并提出基于马尔可夫链的环境感知轨迹预测方法。实验表明该方法能在动态环境中实时成功跟踪和避免障碍物，为自主导航提供了实用方案。
Q&A
如何提高基于体素的3D检测器在NuScenes上的精度？
通过在基于体素的网络中添加可见性输入流，结合虚拟物体的合成数据增强和多个时间帧上的LiDAR扫描的时间聚合，可以显著提高整体精度。
在GNSS拒止环境下，无人机如何实现视觉定位？
该研究构建了基于转换器的基线，提出了新的连续型评估指标SDM，并利用孪生网络和度量学习构建，设计邻居搜索后处理策略解决大距离定位偏差问题。
如何实现动态环境中的实时障碍物跟踪与避障？
提出了一种基于RGB-D相机的实时动态障碍物跟踪和建图系统，使用占用格子图生成动态障碍物区域，应用卡尔曼滤波和连续滤波跟踪每个动态障碍物，并提出基于Markov链的环境感知轨迹预测方法。
单目深度估计在KITTI和Waymo数据集上如何达到最先进结果？
通过将单目物体深度估计重新制定为渐进细化问题，并提出一个联合的语义和几何代价体来建模深度误差，通过细化框架有效地缓解深度误差。
如何生成适用于非结构化环境的语义三维地图？
介绍了一种在线的二维到三维语义实例映射算法，基于Voxel-TSDF表示，引入在映射过程中集成语义预测置信度的新方法，产生语义和实例一致的三维区域，并通过基于图优化的语义标记和实例细化提高准确性。
如何高效计算户外场景的3D重建视点和轨迹？
利用搭载在自主导航四旋翼飞行器上的RGB摄像机采集图像，并利用分层的体积表示区分未知、自由和占据空间，利用信息增益来处理遮挡，避免障碍并规划无碰撞的飞行路径，以限制四旋翼的总飞行距离。
