论文笔记_CV_AD_3D Reconstruction using a Sparse Laser Scanner and a Single Camera for Outdoor Autonomous

目录

1 论文基本信息

2 看本篇论文目的

3 问题场景

4 核心解决思想

4.1 创新点

4.2 不足点

5 经典参考论文

1 论文基本信息

• 论文题目：3D Reconstruction using a sparse laser scanner and a single camera for outdoor autonomous vehicle
• 年份：2016
• 出处：IEEE 19th International Conference on Intelligent Transportation Systems (ITSC)
  • 中科院自动化所主办的IEEE系列会议
• 作者：Honggu Lee, Soohwan Song and Sungho Jo
  • Department of Computer Science, KAIST, Daejeon 305-701, Republic of Korea
  • KAIST （韩国科学技术院）：来自知乎：“在韩国，KAIST是如同清华般的存在；在学术界，KAIST还是有很高的声誉，基本同领域的学者都知道。去美帝或者其他地方读博，KAIST是一个很好的跳板（KAIST有很多斯坦福、MIT级别的 partner universities ，很多教授是美帝牛校毕业的）”
• JO评价：
  • 思路清晰，写作规范有条理，行文逻辑可以参考。

2 看本篇论文目的

• 了解激光雷达和相机结合，会有什么好的应用场景；
  • JO答：稠密深度地图
• 了解在自动驾驶领域，减低成本同时，又能不牺牲性能的解决方案。

3 问题场景

• 场景：
  • 自动驾驶汽车上，在宽阔的户外环境。
• 背景描述：
  • 自动驾驶汽车，大部分目前采用激光和图像传感器，都需要有目标探测，避障，导航系统；
  • 对于以上系统，最重要的信息来源之一，就是一个精确稠密的三维深度地图（an accurate dense 3D depth map）。
    • JO疑问：三维深度地图，在自动驾驶中，到底能发挥什么/多少作用？更合理的信息提供方式应该是什么？
• 解决问题：
  • 使用稀疏的激光扫描器+图像，建立出稠密的深度地图。
    • a Velodyne HDL-64E + RGB data

4 核心解决思想

• 两步:
  • 1. 局部测距建模阶段（the local range modeling phase）
    • 体素化和离群点（outlier points）检测
      • 将空间分割成包含局部范围点的离散体素，并利用点直方图特征寻找离群点。
      • 
    • 使用高斯过程回归（Gaussian Process regression，GP），从激光扫描仪中插入3D点，同时保持物体的形状。
      • 参考资源：浅析高斯过程回归 https://blog.csdn.net/qq_20195745/article/details/82721666
      • 
  • 2. 三维深度地图重建阶段（3D depth map reconstruction phase）
    • 通过融合图像和插值点，来构建三维深度图；
      • 利用点直方图特征（a point histogram feature），有效地选择了与目标对应的三维点，消除了体素中的非相似点。
    • 并基于马尔可夫随机场（Markov Random Field，MRF）进行优化。
      • MRF：用于融合两种不同类型的传感器数据。
• 效果：
  • 提供了一个与所有图像像素对应的深度地图 (a depth map)。
  • 定性和时间复杂度的结果表明，我们的方法，在实时演示的自动驾驶汽车在复杂的城市场景，是鲁棒的和足够快的。
  • 

4.1 创新点

• 老方法的新应用：激光扫描器+图像的室外应用。

4.2 不足点

• 在一个固定的体素区域内（a fixed voxel region）插值三维点：
  • 有时会导致表面重叠（surfaces are overlapped），从而导致边缘失真（edge distortion）。
• 进一步研究：
  • 激光雷达[21]可用于灌木、树冠等非刚性物体的重建；
    • 在未来的工作中，我们想要重建更加复杂的户外环境，包括树叶、灌木和植被。

5 经典参考论文

• A. Geiger, P. Lenz, and R. Urtasun, “Are we ready for autonomous driving? the kitti vision benchmark suite,” in Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012, pp. 3354–3361.
• J. Diebel and S. Thrun, “An application of markov random fields to range sensing,” in Advances in neural information processing systems, 2005, pp. 291–298.

  • NIPS（NeurIPS），全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议。该会议固定在每年的12月举行,由NIPS基金会主办。NIPS是机器学习领域的顶级会议。在中国计算机学会的国际学术会议排名中，NIPS为人工智能领域的A类会议。