机构名称：
¥ 3.0
摘要：对自主驾驶的追求依赖于开发能够做出准确，健壮和快速决策以有效解释驾驶环境的感知系统。对象检测对于理解这些系统核心的环境至关重要。随着计算机视觉（CV）应用中深度学习的出现（DL）的出现，2D对象检测和分类已经显着提高，但它们在提供必要的深度信息方面缺乏，这是理解驾驶环境中的关键要素。因此，3D对象检测成为自动驾驶和机器人技术的基石，提供对象位置的精确估计并增强环境理解。CV社区对3D对象检测的兴趣日益增长，这是由DL模型的演变推动的，包括卷积神经网络（CNN）和变形金刚网络。尽管有这些进步，但在3D对象检测中仍存在诸如不同对象量表，有限的3D传感器数据和阻塞等挑战。为了应对这些挑战，研究人员正在探索多模式技术，这些技术结合了来自摄像机，雷达和激光镜等多个传感器的信息，以增强感知系统的性能。本调查对基于多模式融合的3D对象检测方法进行了详尽的审查，重点是基于CNN和基于变压器的模型。它强调了为完全自动驾驶汽车提供不同传感器的必要性，以确保可靠和可靠的操作。调查探讨了相机，激光雷达和雷达传感器的优点和缺点。此外，它总结了自治数据集并研究了基于多模式融合方法的最新进步。调查结束时，强调了正在进行的挑战，开放问题和未来研究的潜在方向。
3D对象检测的多模式融合
主要关键词
相关文件推荐
