「自(zi)(zi)動駕駛新(xin)青年(nian)講(jiang)座」由智(zhi)東西公開(kai)課(ke)全(quan)新(xin)企劃(hua)，將邀請(qing)全(quan)球知(zhi)名高校、頂尖研究機構以及優(you)秀企業(ye)的(de)新(xin)青年(nian)，主(zhu)講(jiang)在(zai)環境感知(zhi)、精準(zhun)定位(wei)、決策(ce)規劃(hua)、控制(zhi)執行等自(zi)(zi)動駕駛關鍵技術上的(de)最新(xin)研究成果和(he)開(kai)發實(shi)踐。

有興趣分享(xiang)的(de)朋友，可以(yi)與智東(dong)西(xi)公開課(ke)教研(yan)團(tuan)隊(dui)進行郵件(jian)（class@sanyasheying.cn）聯系。

自動(dong)駕駛(shi)和機器人中的(de)許(xu)多(duo)應(ying)用都可以從理解(jie)動(dong)態環(huan)境中點(dian)(dian)的(de)三維(wei)運動(dong)中獲益(yi)，這種運動(dong)被(bei)廣泛稱為(wei)場景(jing)(jing)流(liu)。場景(jing)(jing)流(liu)表(biao)示動(dong)態環(huan)境中每個點(dian)(dian)的(de) 3D 運動(dong)。以往的(de)方法(fa)大多(duo)以立體圖(tu)像(xiang)和RGB-D圖(tu)像(xiang)作(zuo)為(wei)輸入，很少有直接從點(dian)(dian)云(yun)估計場景(jing)(jing)流(liu)的(de)方法(fa)。

來(lai)自上(shang)海交通大學的在讀博士王光明等人(ren)在研究了來(lai)自兩個連續(xu) 3D 點(dian)云(yun)的場景(jing)流估計問題后，提出了一種(zhong)新穎的具有雙(shuang)重注意力的分層神經網(wang)絡HALFlow ，用于學習相(xiang)鄰幀中點(dian)特征(zheng)的相(xiang)關性，并逐層細化場景(jing)流。實驗(yan)表明，HALFlow 在 FlyingThings3D 和(he) KITTI Scene Flow 2015 數據集(ji)上(shang)優于 3D 場景(jing)流估計的最新性能。

而為了(le)解決場(chang)(chang)景流估計(ji)(ji)中(zhong)的(de)(de)前(qian)后估計(ji)(ji)不(bu)一(yi)致問題，王博等人(ren)基于流嵌入技術，并(bing)調查和比較了(le) 3D 場(chang)(chang)景流網(wang)絡關鍵組(zu)件中(zhong)的(de)(de)幾個設計(ji)(ji)選(xuan)擇(ze)，包括點相(xiang)似度計(ji)(ji)算(suan)、預測器的(de)(de)輸入元素以及預測器和細(xi)化級別設計(ji)(ji)。在仔(zi)細(xi)選(xuan)擇(ze)最有效的(de)(de)設計(ji)(ji)之后，他們提(ti)出(chu)了(le)一(yi)種新(xin)穎的(de)(de)帶有反向驗證(zheng)的(de)(de)all-to-all的(de)(de)3D場(chang)(chang)景流學習方(fang)法3DFlow。3DFlow在 FlyingThings3D 數據集上超(chao)過(guo)所(suo)有現有方(fang)法至少 38.2%，在 EPE3D 度量的(de)(de) KITTI 場(chang)(chang)景流數據集上超(chao)過(guo) 24.7%。

同(tong)時，他們還將提出的(de)(de)網(wang)絡應用于(yu)(yu)自(zi)動駕駛激光雷(lei)達里程(cheng)計中，提出了(le)一種基(ji)于(yu)(yu)3D點云輸(shu)入的(de)(de)激光雷(lei)達里程(cheng)計網(wang)絡，名為 PWCLO-Net。該里程(cheng)計的(de)(de)卓(zhuo)越(yue)性(xing)能和(he)有(you)效(xiao)性(xing)在 KITTI 里程(cheng)計數據集上(shang)也得到了(le)證明。在大(da)多(duo)數 KITTI 里程(cheng)計數據集上(shang)，PWCLO-Net優(you)于(yu)(yu)所(suo)有(you)最近(jin)的(de)(de)基(ji)于(yu)(yu)學習的(de)(de)方法，并且優(you)于(yu)(yu)基(ji)于(yu)(yu)幾何的(de)(de)方法、具(ju)有(you)映射優(you)化的(de)(de) LOAM。

8月(yue)15日晚6點(dian)，「自(zi)動(dong)駕駛新青年講(jiang)座(zuo)」第(di)6講(jiang)，上(shang)海(hai)交(jiao)通大(da)學(xue)直(zhi)博(bo)生王光(guang)明將主講(jiang)《自(zi)動(dong)駕駛中(zhong)的3D點(dian)云(yun)場景流和激光(guang)雷達(da)點(dian)云(yun)里程計(ji)》

講者

王光(guang)(guang)明，上(shang)海交(jiao)通(tong)大(da)學(xue)(xue)直博生(sheng)；目前(qian)在蘇黎世聯邦理工學(xue)(xue)院（ETH）訪問交(jiao)流(liu)。上(shang)海交(jiao)通(tong)大(da)學(xue)(xue)國家(jia)獎學(xue)(xue)金獲得(de)者，在CVPR、ECCV、ICRA、TIP、T-ITS等期(qi)刊和會(hui)議上(shang)發表(biao)多篇論文；主要圍繞(rao)自(zi)動駕駛(shi)場(chang)景(jing)下的感知(zhi)與定位問題進行(xing)研究，包括(kuo)深度估(gu)(gu)計(ji)、光(guang)(guang)流(liu)估(gu)(gu)計(ji)、3D點(dian)云(yun)場(chang)景(jing)流(liu)估(gu)(gu)計(ji)、3D點(dian)云(yun)語義(yi)分割(ge)、視(shi)覺和激光(guang)(guang)雷達里程(cheng)計(ji)等。

第6講

主 題
《自動駕駛(shi)中的3D點云場景(jing)流(liu)和激光雷達(da)點云里程計》

提 綱
1、基于雙注意力的3D點云場景流學習
2、3D點云場景流和激光雷達點云里程計的關系
3、基于3D點云輸入的激光雷達里程計網絡
4、帶有反(fan)向驗(yan)證的all-to-all的3D場景流(liu)學習

直 播 信 息
直播時間：8月15日18:00
直播地(di)點：智東西公開課知識店鋪(pu)

成果

HALFlow/PWCLONet/3DFlow

《Hierarchical Attention Learning of Scene Flow in 3D Point Clouds》
《PWCLO-Net: Deep LiDAR Odometry in 3D Point Clouds Using Hierarchical Embedding Mask Optimization》
《What Matters for 3D Scene Flow Network》

論文地址
//ieeexplore.ieee.org/abstract/document/9435105
//openaccess.thecvf.com/content/CVPR2021/html/Wang_PWCLO-Net_Deep_LiDAR_Odometry_in_3D_Point_Clouds_Using_Hierarchical_CVPR_2021_paper.html
//arxiv.org/abs/2207.09143

開源地址
//github.com/IRMVLab/HALFlow
//github.com/IRMVLab/PWCLONet
//github.com/IRMVLab/3DFlow