3D目标检测是自动驾驶等应用程序的中心任务，在自动驾驶系统中，即使在恶劣天气的情况下，系统也需要对周围的交通代理进行定位和分类。在本文中，我们解决了降雪条件下基于激光雷达的3D目标检测问题。由于在此设置中收集和注释训练数据的困难，我们提出了一种基于物理的方法来模拟降雪对真实晴朗天气LiDAR点云的影响。我们的方法对每个激光雷达线在二维空间中的雪粒子进行采样，并使用诱导的几何结构相应地修改每个激光雷

这项工作解决了雾天中基于激光雷达的3D目标检测的挑战性任务。在这样的场景中收集和注释数据是非常耗时、费力和成本密集的。在本文中，我们通过将物理上精确的雾模拟到晴朗的天气场景中来解决这个问题，以便在晴朗的天气中捕获的大量现有真实数据集可以重新用于我们的任务。我们的贡献有两方面：1）我们开发了一种适用于任何LiDAR数据集的物理有效雾模拟方法。这使得无需额外费用即可获取大规模雾状训练数据。这些部分合成

早期的工作证明了基于深度学习的点云分割方法的前景；然而，这些方法需要改进，以使其实用。为此，我们引入了一个新模型SquezeSegV2，它对LiDAR点云中的脱落噪声更为鲁棒。通过改进的模型结构、训练损失、批量标准化和额外的输入通道，SquezeSegV2在实际数据上训练时实现了显著的准确性提高。用于点云分割的训练模型需要大量标记的点云数据，这很难获得。为了避免收集和注释的成本，可以使用GTA-V

在本文中，我们讨论了3D激光雷达点云中道路对象的语义分割。特别是，我们希望检测和分类感兴趣的实例，例如汽车、行人和骑自行车的人。我们将此问题表述为逐点分类问题，并提出了一种基于卷积神经网络（CNN）的端到端流水线SquezeSeg：CNN将转换后的LiDAR点云作为输入，并直接输出逐点标签图，然后通过实现为递归层的条件随机场（CRF）对其进行细化。然后通过常规聚类算法获得实例级标签。我们的CNN模

自动驾驶汽车中的感知通常通过一套不同的感知模式进行。鉴于大量公开可用的标记RGB数据以及用于基于图像的识别的高质量深度学习算法的出现，高级语义感知任务主要使用高分辨率相机来解决。因此，其他可能对该任务有用的传感器模态通常被忽略。在本文中，我们推进了仅LiDAR语义分割的最新技术，以便为车辆提供另一个独立的语义信息源。我们的方法可以在传感器帧速率下准确地执行LiDAR点云的完全语义分割。我们利用距离

占主导地位的序列转导模型基于复杂的递归或卷积神经网络，包括编码器和解码器。性能最好的模型还通过注意力机制连接编码器和解码器。我们提出了一种新的简单网络架构，即Transformer，它完全基于注意力机制，完全省去了递归和卷积。在两个机器翻译任务上的实验表明，这些模型在质量上优越，同时更具并行性，并且需要更少的训练时间。我们的模型在WMT 2014英语到德语翻译任务中实现了28.4 BLEU，比现有

LiDAR点云中的3D多目标跟踪是自动驾驶车辆的关键组成部分。现有方法主要基于tracking-by-detection的管道，并且不可避免地需要用于检测关联的启发式匹配步骤。在本文中，我们提出了SimTrack，通过提出一个端到端可训练的模型来从原始点云进行联合检测和跟踪，从而简化了手工制作的跟踪范式。我们的关键设计是预测给定片段中每个目标的首次出现位置，以获得跟踪身份，然后基于运动估计更新位置

ROS 安装与卸载（ROS Melodic Morenia、Ubuntu 18.04 LTS）1. ROS 的安装和配置1.1 ROS Melodic 配置环境1.2 切换 Python2 运行版本1.3 安装 ROS Melodic 版本1.4 初始化 rosdep 过程1.4.1 替代步骤一1.4.2 替代步骤二1.4.3 成功的标志1.5 设置 ROS 环境变量2. ROS 的卸载和配置1.

在本文中，我们提出了一种基于无锚单级激光雷达的3D目标检测器——RangeDet。与以前的工作最显著的区别是，我们的方法完全基于距离视图表示。与常用的体素化或鸟瞰图（BEV）表示相比，距离视图表示更紧凑，没有量化误差。尽管有工作将其用于语义分割，但其在目标检测中的性能在很大程度上落后于体素化或BEV对应物。我们首先分析了现有的基于距离视图的方法，并发现了先前工作中忽略的两个问题：1）附近和远处目标

SemanticKITTI 数据集1. 数据集简介1. 数据集简介文章标题SemanticKITTI: A Dataset for Semantic Scene Understanding of LiDAR Sequences (2019)文章链接https://arxiv.org/pdf/1904.01416.pdf数据集官网http://www.semantic-kitti.org/datas