1.slam++: 将目标检测(objections detection)与slam结合。
2.SemanticFusion: 在elastic fusion的基础上,通过cnn神经网络来进行语义分割。
3.PointNet:(offline)处理点云数据的深度学习模型.可以进行多种认知任务,如分类、语义分割和目标识别。(详细内容看这里)
(待更新)
一. 点云特征
点云数据是在欧式空间下的点的一个子集,它具有以下三个特征:
1)无序性。
点云数据是一个集合,对数据的顺序是不敏感的。这就意味这处理点云数据的模型需要对数据的不同排列保持不变性。目前文献中使用的方法包括将无序的数据重排序、用数据的所有排列进行数据增强然后使用RNN模型、用对称函数来保证排列不变性。
2)点与点之间的空间关系
一个物体通常由特定空间内的一定数量的点云构成,也就是说这些点云之间存在空间关系。可以通过一些局部特征和全局特征来提取信息。
3)不变性。
点云数据所代表的目标对某些空间转换应该具有不变性,如旋转和平移。
二. 认知——点云数据处理方式
1)将点云数据投影到二维平面。此种方式不直接处理三维的点云数据,而是先将点云投影到某些特定视角再处理,如前视视角和鸟瞰视角。同时,也可以融合使用来自相机的图像信息。通过将这些不同视角的数据相结合,来实现点云数据的认知任务。比较典型的算法有MV3D和AVOD。
2) 将点云数据划分到有空间依赖关系的voxel。此种方式通过分割三维空间,引入空间依赖关系到点云数据中,再使用3D卷积等方式来进行处理。这种方法的精度依赖于三维空间的分割细腻度,而且3D卷积的运算复杂度也较高。