XiaoMi-AI文件搜索系统
World File Search SystemiD
一种新型的Lidar-Gnss-Ins两相紧密耦合的集成方案，用于精确导航
摘要在精确导航方面的最新进展已广泛利用全球导航卫星系统（GNSS）和惯性导航系统（INS）的集成，尤其是在智能车辆的领域。然而，这种导航系统的功效被非光（NLOS）信号的反射和多径中断所损害。基于积极的感知传感器以其精确的3D测量而闻名的基于主动感知的传感器的光检测和范围（LIDAR）的探测器在增强导航系统方面已经变得越来越普遍。尽管如此，与GNSS/INS系统的激光雷达进气量同化列出了重大挑战。应对这些挑战，这项研究引入了两相传感器融合（TPSF）方法，该方法通过双阶段传感器融合过程协同结合了GNSS定位，激光镜和IMU预融合。初始阶段采用扩展的Kalman滤波器（EKF）与IMU机械化合并GNSS解决方案，从而促进了IMU偏见和系统初始化的估计。随后，第二阶段将扫描到映射激光雷达的进程与IMU机械化相结合，以支持连续的LiDAR因子估计。然后将因子图优化（FGO）用于liDar因子，IMU预融合和GNSS解决方案的全面融合。通过对城市化开源数据集的苛刻轨迹进行严格的测试来证实所提出的方法的功效，与最先进的算法相比，该系统表明性能的增强，可实现1.269米的翻译标准偏差（STD）。
与LIDAR
关键词：点云，激光雷达，无人驾驶飞机，TLS，建筑信息建模，数据集成摘要在建筑构建和管理中使用建筑信息建模（BIM）的使用变得越来越普遍。尽管如此，已经存在的建筑物的BIM模型的产生仍然是需要大量人为努力的操作。几何可靠和完整的BIM模型的生成需要所有建筑部件的几何信息。强烈建议使用独特的采集工具获取此类信息，因此，强烈建议使用不同的采集工具和平台收购数据，以获取对建筑物的几何完整的3D描述。这项工作介绍了将获得与陆地激光扫描（TLS），无人机（无人驾驶航空车辆）激光雷达（光检测和范围）和智能手机与LIDAR相结合的程序，显示了两种案例研究的结果，两座案例研究，在Olsztyn的Olsztyn校园内的两座建筑物。最后，在两个案例研究中都使用Blender软件成功生成了BIM模型。
yolov8基于激光雷达点云的对象检测的新方法
摘要 - 对象检测是自动驾驶汽车和高级驾驶员辅助系统（ADA）的重要感知任务。虽然已经对相机图像中的对象检测进行了广泛的研究，但通过光检测和范围（LIDAR）数据来解决此任务，这是由于其固有的稀疏性带来了独特的挑战。这项研究引入了一种基于激光雷达的对象检测的开创性方法，其中Lidar Point Cloud数据巧妙地转换为伪RGB图像格式，随后将最初用于基于相机的对象检测设计的Yolov8网络。在Kitti数据集中受过训练和严格评估，我们的方法表现出出色的性能，达到了令人印象深刻的平均平均精度（MAP）超过86％。该模型还在Tihan IITH iith自主导航数据集（TIAND）的某个点云上进行了测试。这个了不起的结果强调了拟议方法在利用LiDAR数据以进行健壮对象检测时的效率，从而有助于在自主驾驶和ADAS应用中提高感知能力。索引项 - Yolov8，点云，BEV，LIDAR，对象检测，ADAS
CMDA：基于 LiDAR 的 3D 物体检测的跨模态和领域对抗自适应
最近基于激光雷达的 3D 物体检测 (3DOD) 方法显示出良好的效果，但它们通常不能很好地推广到源（或训练）数据分布之外的目标域。为了减少这种领域差距，从而使 3DOD 模型更具泛化能力，我们引入了一种新颖的无监督领域自适应 (UDA) 方法，称为 CMDA，它 (i) 利用来自图像模态（即相机图像）的视觉语义线索作为有效的语义桥梁，以缩小跨模态鸟瞰图 (BEV) 表示中的领域差距。此外，(ii) 我们还引入了一种基于自训练的学习策略，其中模型经过对抗性训练以生成领域不变特征，这会破坏对特征实例是来自源域还是看不见的目标域的区分。总的来说，我们的 CMDA 框架指导 3DOD 模型为新颖的数据分布生成高度信息丰富且领域自适应的特征。在我们对 nuScenes、Waymo 和 KITTI 等大规模基准进行的大量实验中，上述内容为 UDA 任务提供了显著的性能提升，实现了最先进的性能。
生物膜中的丝状是自私的吗？基于个体的建模将微生物生长策略与形态学联系起来，使用新的和模块化ID
微生物群落都是在所有宜居环境中都发现的，并且经常在随着时间的推移而自组织的空间结构中进行组合。只能通过将实验与数学建模相结合，才能理解，预测和管理。如果个人异质性，局部相互作用和适应性行为引起人们的关注，基于个体的模型特别适合。 在这里，我们介绍了完全过度拖拉的软件平台，这是微生物群落的基于个体的动态，模拟Idynomics 2.0，它使研究人员能够指定一系列不同的模型而无需编程。 关键的新功能和改进是：（1）实质上增强的易用性（图形用户界面，模型规范的编辑器，单位转换，数据分析和可视化等）。 （2）提高性能和可伸缩性，可实现3D生物膜中多达1000万代理的模拟。 （3）动力学可以用任何算术函数指定。 （4）代理属性可以从正交模块中组装出来，以进行挑选和混合灵活性。 （5）基于力的机械互动框架，实现了吸引力和非球员形态，作为推动算法的替代方案。 新的Ildynomics 2.0进行了一次密集测试，从单位测试到一组日益复杂的数值测试以及基于硝基化生物膜的标准基准3。基于个体的模型特别适合。在这里，我们介绍了完全过度拖拉的软件平台，这是微生物群落的基于个体的动态，模拟Idynomics 2.0，它使研究人员能够指定一系列不同的模型而无需编程。关键的新功能和改进是：（1）实质上增强的易用性（图形用户界面，模型规范的编辑器，单位转换，数据分析和可视化等）。（2）提高性能和可伸缩性，可实现3D生物膜中多达1000万代理的模拟。（3）动力学可以用任何算术函数指定。（4）代理属性可以从正交模块中组装出来，以进行挑选和混合灵活性。（5）基于力的机械互动框架，实现了吸引力和非球员形态，作为推动算法的替代方案。新的Ildynomics 2.0进行了一次密集测试，从单位测试到一组日益复杂的数值测试以及基于硝基化生物膜的标准基准3。第二个测试案例是基于在BACSIM中实施的“生物膜促进利他主义”研究，因为由于合作个体之间的积极反馈，竞争结果对发展的空间结构非常敏感。我们通过添加形态来扩展了这一案例研究，以发现（i）丝状细菌构成球形细菌，无论生长策略如何，以及（ii）在竞争竞争的不合作丝中，因为细丝可以逃脱彼此之间更强大的竞争。总而言之，新的改进的Idynomics 2.0加入了越来越多的平台，用于基于微生物社区的基于个人的模型，具有我们讨论的特定优势和缺点，为用户提供了更广泛的选择。
激光雷达和雷达传感器，8019323-病态德国
具有较大的扫描范围，精细的角度分辨率和高灵敏度，Picoscan100 2D激光雷达传感器（TIM系列的继任者）正在设定新标准。它还可靠地检测到小物体和深色物体。传感器提供精确的测量数据和功能，整合了通过各种通信接口传输的数据的进一步处理。配备了多回波技术的紧凑型Picoscan100具有坚固的外壳，即使在恶劣的环境条件下，也可以确保可靠的测量重新设置。picoscan100（可分为三种变体）也可以通过其他功能进行定制。
3D激光雷达扫描到地图长期定位的可推广稳定点细分
摘要 - 动物机器人越来越多地在实际会随着时间而变化的现实环境中运行。准确且健壮的本地化对于自动移动系统的有效运行至关重要。在本文中，我们仅使用3D LIDAR数据来应对基于扫描到地图匹配的长期本地化开发可推广的学习过滤器的挑战。我们的主要目标是提高动态环境中移动机器人本地化的可靠性。为了获得学习过滤器的强大概括能力，我们利用扫描和MAP数据之间的差异。我们的方法涉及将稀疏的4D卷积应用于包含扫描素及其相应地图体素的关节稀疏体素电网上。这使我们可以根据每个扫描点的长期稳定置信分数将扫描点分为稳定且不稳定的点。我们的实验结果表明，利用稳定点进行定位 - 证明了扫描匹配算法的性能，尤其是在外观变化频繁的环境中。通过利用扫描和地图体素之间的差异，我们增强了稳定点的分割。因此，我们的方法概括为新的，看不见的环境。
对雷达对象检测的对抗性阴影攻击
摘要 - 对象检测是一个关键函数，可从传感器获取的数据中检测对象的位置和类型。在自主驾驶系统中，使用来自摄像机和激光镜头的数据进行对象检测，并根据结果，控制车辆以遵循最安全的路线。但是，据报道，基于机器学习的对象检测具有对对抗样本的脆弱性。在这项研究中，我们提出了一种新的攻击方法，称为LIDAR对象检测模型“ Shadow Hack”。虽然先前的攻击方法主要添加了扰动点云到激光雷达数据中，但在这项研究中，我们引入了一种在激光雷达点云上生成“对抗阴影”的方法。特别是，攻击者从战略上放置了诸如铝制休闲垫之类的材料，以在激光雷达点云上重现优化的位置和阴影的形状。该技术可能会在自动驾驶汽车中误导基于激光雷达的对象检测，从而导致诸如制动和避免操纵之类的行动导致交通拥堵和事故。我们使用仿真来重现Shadow Hack攻击方法，并评估攻击的成功率。此外，通过揭示攻击成功的条件，我们旨在提出对策并有助于增强自动驾驶系统的鲁棒性。
对雷达对象检测的对抗性阴影攻击
近年来，自动驾驶汽车发动机传感器攻击的风险引起了人们的显着关注。这些攻击操纵传感器读数，对基于机器学习模型的对象识别系统构成威胁。非常关注的是“ LiDAR SPOOFENG攻击”，它向欺骗传感器注入恶意信号以检测非易于或缺失的对象[1，2]。这些攻击目标传感器，数据处理和机器学习模型，强调了增强传感器安全性并增强模型鲁棒性的要求。本研究提出了一个新的使用LIDAR的传感系统的攻击矢量，以“ Shadow Hack”，目的是应对其威胁并开发有效的对策。此攻击的概念在于利用激光雷达传感器捕获的点云数据中自然形成的“阴影”（见图1）。LIDAR传感器产生指示对象存在的点云数据，但该数据还包括对象后面形成的阴影。通常，这些阴影在对象检测模型的输出中被忽略，但是它们的存在为对象检测提供了重要的线索。影子黑客通过故意创建它们来欺骗对象检测系统并导致它们出现故障来利用“阴影”的属性。例如，通过放置“阴影材料”，例如在环境中，可以在激光雷达传感器捕获的点云数据中创建误差阴影，从而导致对象检测模型检测不存在的对象（请参见图2）。