基于查询的时空激光雷达融合用于合作目标检测：StreamLTS
计算机视觉与模式识别
2024-08-23 v2 机器人学
摘要
通过智能交通主体之间的通信实现合作感知在提高自动驾驶安全性方面具有巨大潜力。然而，受限的通信带宽、定位误差以及传感器数据捕获时间不同步的限制，都给不同主体之间的数据融合带来了挑战。以往的研究尝试从一定程度上减少共享数据量、缓解因定位误差和通信延迟导致的空间特征错位问题。然而，これらのアプローチはセンサーの非同期サンプリング時間を考慮しておらず、データ融合过程中动态目标可能偏离实际位置超过一米。本文提出了时序对齐合作目标检测方法（TA-COOD），在考虑异步激光雷达传感器 ticking 时间后，适配广泛使用的 OPV2V 和 DairV2X 数据集，并构建一种高效稀疏框架，通过查询技术建模 individual objects 的时序信息。实验结果表明，我们的稀疏框架在效率上优于当前稀疏模型。更重要的是，point-wise 观测时间戳对于准确建模目标时序上下文及其时间相关位置的可预测性至关重要。官方代码已公开 \url{https://github.com/YuanYunshuang/CoSense3D}。
引用
@article{arxiv.2407.03825,
title = {StreamLTS: Query-based Temporal-Spatial LiDAR Fusion for Cooperative Object Detection},
author = {Yunshuang Yuan and Monika Sester},
journal= {arXiv preprint arXiv:2407.03825},
year = {2024}
}