SLAM在无人驾驶、环境感知中的应用和发展讨论

报告人一： zhoujunqiao@tongji.edu.cn

主题：面向无人驾驶的环境感知

三个探索：

1、语言地标SLAM：主要利用地下车库的地标和二维码来增加定位的信息，帮助定位，

2、直接激光SLAM：利用2.5D的height map的思想进行定位和建图

3、多传感器融合SLAM：vins-vehicle方法，在VINS框架中加入了动力学框架

室外偏向Harris特征，室内偏向FAST特征

无人车中的SLAM问题

• 定位精度越高越好吗？
• 局部建图还是全局建图？
• SLAM能够用于其他用途吗？
• 如何适应各种环境条件和工况？(此为最重要的问题)
• 计算、存储和共享代价？

语义地标SLAM：（1） CubeSLAM （2）QuadricSLAM （3）

全天候传感器： Navitech Radar

融合检测、追踪和SLAM： 动静态地标联合关联、优化

深度学习视觉定位与运动自学习：（1）增强泛化抽象能力而非依赖图像检索（2）构建一致性约束实现自学习

报告人二：廖胜才 https://liaosc.wordpress.com/

交通场景的人车检测

1、基于锚点框的目标检测：

​ 两阶段：

​ * Faster RCNN

​ * R-FCN

​ * …

​ 单阶段：

​ * SSD

​ * FPN+Focal Loss

​ * …

2、无锚点框的目标检测

​ * YOLO v1

​ * DenseBox

​ * …

监控视频中的高校目标检测

监控视频中的场景记忆模型和运动检测

图像目标检测的发展趋势

• 越来越复杂的网络用于提升检测精度，但面向实际应用，速度的提升变得越来越重要
• 两阶段的检测器几乎已经过气，单阶段的高效检测器逐渐成为主流
• 抛弃锚点框是大势所趋
• 基于全卷积神经网络，逐渐向像素级语义理解
• 视频里的目标检测仍需加强研究

激光里用三维CNN做分割和目标提取，激光点云标注的代价很高，激光点云的目标检测和识别这一块的研究开始变多，但是难度确实很大

目前有思路是从单目来对三维物体进行检测做到三维框

通过单目，深度和运动同时估计，通过视频自学习的方法同时得到相机的位姿和轨迹