Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Diagnosis of COVID-19 on Chest X-ray (CXR) Images Using CNN with Transfer Learning and Integrated Stacking Ensemble Learning Kapitel lesen Erstes Kapitel lesen

2024 | OriginalPaper | Buchkapitel

3D LiDAR Vehicle Perception and Classification Using 3D Machine Learning Algorithm

verfasst von : Ericsson Yong, Muhammad Aizzat Zakaria, Mohamad Heerwan Peeie, M. Izhar Ishak

Erschienen in: Intelligent Manufacturing and Mechatronics

Verlag: Springer Nature Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

3D LiDAR-based object detection during autonomous vehicle navigation is a trending field in autonomous vehicle research and development. As 3D LiDAR is resistant to light interference while capable of capturing detailed 3D spatial structures of the detected objects, it is the main perception sensor for autonomous vehicles. With its improved accessibility in the recent years, the advent of deep learning had allowed feature learning from sparse 3D point clouds. Hence, this leads a plethora of methods in object detection for 3D sparse point clouds. In this research, an extensive experiment was conducted using various 3D LiDAR object detections for various forms like pillar-form, point-form and voxel-form onto multiple point cloud data sets captured using Robotic Operating System (ROS). Based on experiments conducted, pillar-form point cloud data is suitable for dense point clouds, while voxel-form is optimal for both indoors and outdoors environment.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Ride Comfort Assessment of a Sitting Pregnant Women During Cornering: Autonomous Vehicle Simulation Maneuvering Analysis
Nächstes Kapitel PID Controller Optimized by Bird Mating Optimizer for Vibration Control of Horizontal Flexible Plate
Literatur
1.
Cheng H (2011) Autonomous intelligent vehicles: theory, algorithms, and implementation. Springer Science & Business Media
2.
Zamanakos G et al (2021) A comprehensive survey of LIDAR-based 3D object detection methods with deep learning for autonomous driving. Comput Graph 99:153–181CrossRef
3.
Qi et al (2017) PointNet++: deep hierarchical feature learning on point sets in a metric space
4.
Zhou Y, Tuzel O (2018) VoxelNet: end-to-end learning for point cloud based 3D object detection. In: 2018 IEEE/CVF conference on computer vision and pattern recognition, pp 4490–4499
5.
Lang et al (2019) Pointpillars: fast encoders for object detection from point clouds. In: Proceedings of the IEEE computer society conference on computer vision and pattern recognition, pp 12689–12697
6.
Beltrán J, Guindel C, Moreno FM, Cruzado D, Garcia F, De La Escalera A (2018) Birdnet: a 3d object detection framework from lidar information. In: 2018 21st international conference on intelligent transportation systems (ITSC), IEEE, pp 3517–3523
7.
Zarzar J, Giancola S, Ghanem B (2019) PointRGCN: graph convolution networks for 3D vehicles detection refinement
8.
Yan Y et al (2018) Second: sparsely embedded convolutional detection. Sensors 18(10):7–8CrossRef
9.
Yang Z et al (2019) STD: sparse-to-dense 3D object detector for point cloud. In: 2019 IEEE/CVF international conference on computer vision (ICCV), pp 1951–1960
10.
Li J et al (2020) 3D IoU-Net: IoU guided 3D object detector for point clouds. ArXiv, abs/2004.04962
11.
Shi S, Wang X, Li H (2018) PointRCNN: 3D object proposal generation and detection from point cloud
12.
Yang Z et al (2020) 3dssd: point-based 3d single stage object detector. In: 3DSSD: point-based 3D single stage object detector, pp 11040–11048
13.
Ren S, He K, Girshick R, Sun J (2015) Faster R-CNN: towards real-time object detection with region proposal networks
14.
Geiger A, Lenz P, Urtasun R (2012) Are we ready for autonomous driving? The KITTI vision benchmark suite. In: 2012 IEEE conference on computer vision and pattern recognition, pp 3354–3361
15.
Guo Y et al (2021) Deep learning for 3D point clouds: a survey. IEEE Trans Pattern Anal Mach Intell 43(12):4338–4364CrossRef
16.
Li Y et al (2021) Deep learning for LiDAR point clouds in autonomous driving: a review. IEEE Trans Neural Netw Learn Syst 32(8):3412–3432CrossRef
17.
Yuwono YD (n.d.) Comparison of 3D object detection methods for people detection in underground mine
18.
Metadaten
Titel
3D LiDAR Vehicle Perception and Classification Using 3D Machine Learning Algorithm
verfasst von
Ericsson Yong
Muhammad Aizzat Zakaria
Mohamad Heerwan Peeie
M. Izhar Ishak
Copyright-Jahr
2024
Verlag
Springer Nature Singapore
Buch
Intelligent Manufacturing and Mechatronics

Print ISBN: 978-981-9988-18-1

Electronic ISBN: 978-981-9988-19-8

Copyright-Jahr: 2024

DOI
https://doi.org/10.1007/978-981-99-8819-8_23

Premium Partner

    Marktübersichten

    Die im Laufe eines Jahres in der „adhäsion“ veröffentlichten Marktübersichten helfen Anwendern verschiedenster Branchen, sich einen gezielten Überblick über Lieferantenangebote zu verschaffen. 

    Zur Marktübersicht
    Bildnachweise