Pointillism：基于多雷达的精确 3D 边界框估计
计算机视觉与模式识别
2022-03-10 v1
摘要
自主感知需要以动态物体 3D 边界框形式的高质量环境感知。汽车系统中使用的主要传感器是基于光的相机与 LiDAR。然而，已知它们在恶劣天气条件下会失效。雷达有潜力解决此问题，因为它们几乎不受恶劣天气条件影响。然而，无线信号的镜面反射导致雷达点云性能不佳。我们引入 Pointillism，一个结合多个空间分离且具最优间距的雷达数据以缓解这些问题的系统。我们引入交叉潜在点云（Cross Potential Point Clouds）的新概念，其利用多雷达引起的空间分集，解决雷达点云中的噪声与稀疏性问题。此外，我们提出 RP-net 的设计，一种专为雷达稀疏数据分布设计的新型深度学习架构，以实现精确的 3D 边界框估计。本文设计并提出的空间技术对雷达点云分布具有基础性意义，并将惠及其他雷达感知应用。
引用
@article{arxiv.2203.04440,
title = {Pointillism: Accurate 3D bounding box estimation with multi-radars},
author = {Kshitiz Bansal and Keshav Rungta and Siyuan Zhu and Dinesh Bharadia},
journal= {arXiv preprint arXiv:2203.04440},
year = {2022}
}
备注
Accepted in SenSys '20. Dataset has been made publicly available