rgbds
PulseAugur coverage of rgbds — every cluster mentioning rgbds across labs, papers, and developer communities, ranked by signal.
-
激光雷达行业转向以芯片为中心的设计，应用于汽车和机器人领域
激光雷达行业正经历向以芯片为中心架构的转变，从而实现自动驾驶汽车和机器人领域的跨场景应用。Hesai Technology 和 RoboSense 等公司正在开发集成的 SPAD-SoC 平台，以统一不同市场的硬件，超越了传统上对汽车传感器的关注。这种演变是由对更好传感器融合、成本降低和性能提升的需求驱动的，并日益强调自主芯片设计能力，以控制供应链和创新。
-
新型Transformer模型可自动评估物理康复练习
研究人员开发了一个新颖的基于Transformer的框架，用于分析点云以远程评估物理康复练习。该系统利用从RGBD传感器获得的联合位置数据，并采用基于曲线的特征聚合技术来增强其输出。该架构结合了轴向自注意力机制，以识别关键关节及其功能，旨在指导用户更有效地进行练习。所提出的方法与现有方法相比表现出卓越的性能，并具有模型尺寸小、推理速度快以及在相似练习中具有良好泛化能力等实际优势。
-
DLTPose方法通过新颖的DLT公式增强了6DoF物体姿态估计
研究人员推出了一种名为DLTPose的新方法，用于从RGBD图像估计物体的6DoF姿态。该方法结合了稀疏关键点方法的精确性和密集像素级预测的鲁棒性。DLTPose生成每个像素到关键点的径向距离，然后将其用于新颖的直接线性变换（Direct Linear Transform）公式，以实现精确的3D物体表面估计。该方法还采用了一种独特的对称感知关键点排序技术来更好地处理对称物体，在LINEMOD和YCB-Video等基准数据集上表现优于现有方法。
-
TriMM模型整合多模态数据以增强三维生成
研究人员推出TriMM，这是一种新颖的前馈生成模型，专为高质量三维资产创建而设计。TriMM独特地整合了来自多种模态的特征，例如RGB图像、RGBD数据和点云，以增强生成的三维资产的纹理和几何细节。该模型采用协同多模态编码来保留每种数据类型的独特优势，并利用辅助的二维和三维监督来提高鲁棒性。实验表明，与现有模型相比，TriMM在训练数据量显著减少的情况下仍能取得有竞争力的性能。
-
深度学习增强自动驾驶物流车辆载货台架检测
研究人员开发了一个深度学习框架，使自动驾驶物流车辆能够检测和估计载货台架的姿态。该系统利用卷积神经网络处理RGBD数据，以识别载货台架上的特定标志点。通过将这些推断出的标志点与几何信息相结合，网络能够准确确定载货台架的位置和方向，在内部物流应用中被证明是有效的。