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

三维目标通常表示为点云中的三维长方体。这种表示模拟了经过充分研究的基于图像的2D边界框检测，但存在额外的挑战。三维世界中的目标不遵循任何特定的方向，基于框的检测器很难枚举所有方向或将轴对齐的边界框拟合到旋转的目标。在本文中，我们建议将3D目标表示、检测和跟踪为点。我们的框架CenterPoint首先使用关键点检测器检测目标的中心，然后回归到其他属性，包括3D大小、3D方向和速度。在第二阶段，它使用

基于LiDAR或RGB-D的目标检测被用于从自动驾驶到机器人视觉的许多应用中。基于体素的3D卷积网络已被用于在处理点云LiDAR数据时增强信息的保留。然而，问题仍然存在，包括推理速度慢和方向估计性能低。因此，我们研究了一种用于此类网络的改进的稀疏卷积方法，该方法显著提高了训练和推理的速度。我们还引入了一种新的角度损失回归形式来提高方向估计性能，并引入了一个新的数据增强方法来提高收敛速度和性能。所提

如今，自动驾驶汽车在我们的道路上朝着未来迈出了卓越的步伐。尽管自动驾驶汽车在封闭条件下表现良好，但它们仍难以应对意外情况。这项调查提供了基于相机、激光雷达、雷达、多模态和抽象目标级数据的异常检测技术的广泛概述。我们提供了一个系统化，包括检测方法、边界情况级别、在线应用程序的能力和其他属性。我们概述了最新技术，并指出了当前的研究差距。

地平线 AI 芯片工具链 - 03 自定义模型转换1. 前提条件2. 文件目录3. 模型可视化4. 模型校验5. 模型编译1. 前提条件地平线 AI 芯片工具链 - 01 配置安装待转换模型（onnx 模型，其他类型可转为 onnx 模型）2. 文件目录在 docker 挂载目录下新建 08_hjw_demo 目录（具体位置可以自定义），并准备好相关脚本和模型3. 模型可视化样例模型 hjw_de

点云 3D 目标检测开源算法集合1. 点云 3D 目标检测开源算法集合1. 点云 3D 目标检测开源算法集合OpenPCDetDet3DMMDetection3D

今天，视觉识别系统仍然很少用于机器人应用。可能这其中的一个主要原因是缺乏模拟此类场景的苛刻基准。在本文中，我们利用我们的自动驾驶平台为立体、光流、视觉里程计/SLAM和3D目标检测任务开发了具有挑战性的新基准。我们的记录平台配备了四台高分辨率摄像机、Velodyne激光扫描仪和最先进的定位系统。我们的基准包括389个立体和光流图像对、39.2km长的立体视觉里程测量序列，以及在杂乱场景中捕获的超过

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

  目标的鲁棒检测和跟踪对于自动驾驶汽车技术的部署至关重要。基于图像的基准数据集推动了计算机视觉任务的发展，如环境中的目标检测、跟踪和分割。然而，大多数自动驾驶汽车都搭载了相机和距离传感器，如激光雷达和雷达。随着基于机器学习的检测和跟踪方法变得越来越普遍，需要在包含距离传感器数据和图像的数据集上训练和评估这些方法。在这项工作中，我们展示了nuTonomy场景（nuScenes），这是第一个搭载全自

地平线 AI 芯片工具链 - 02 快速开始1. 前提条件2. 转换模型2.1 检验模型2.2 准备校准数据集1. 前提条件地平线 AI 芯片工具链 - 01 配置安装2. 转换模型此处以docker 版本工具链…/horizon_x3_tc_1.1.6/samples/04_detection/01_yolov2为样例来说明2.1 检验模型执行 sh 01_check.sh 检验模型hjw@hj