深度多传感器车道检测
自动驾驶中 3D 车道检测在提取道路的结构和交通信息方面起着关键作用,基于单目视觉的 3D 车道检测是自动驾驶领域的重要研究方向之一,但在完全可靠的算法开发方面仍然有很大的提升空间,本综述分析了当前 3D 车道检测研究领域的当前成果和主要限制,并介绍了复杂的深度学习模型在该领域的重要性。
Apr, 2024
本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构,以处理在单一图像中无法精确检测车道的情况,并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中,以成功预测车道。
Mar, 2019
该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局,并展示了在合成和真实数据集上的表现,其对车道合并和拆分等复杂情况的处理也更加明确,较以往方法有竞争力。
Nov, 2018
该论文提出了一个使用单一的 CNN 来估计车道内的免费空间的新方法,通过训练多任务的 CNN 以及进一步的网络输出和多边形提取,实现了车道内免费空间以及道路类型的识别并给出了基于 ROS 的计算实现方法。
May, 2019
本文提出一种基于卷积神经网络将基于图像的深度图转换为假激光雷达(pseudo-LiDAR)表示的方法,从而使得使用便宜的单 ocular 或立体成像数据进行 3D 物体检测时的精度在 KITTI 数据集上大幅提高到了 22% 到 74%。
Dec, 2018
本文介绍了 ONCE-3DLanes 数据集,其中包含 211K 实际道路场景的 3D 车道标注,提出了自动生成高质量 3D 车道位置的数据集注释流程,同时提供了一种新的无锚点,无外部参考的方法 SALAD 来回归图像视图中的车道 3D 坐标。此外,还提供了一个新的评估度量标准,旨在促进 3D 车道检测领域的未来研究。
Apr, 2022
我们提出了一个大规模的三维车道数据集 LiSV-3DLane,其中包含 2 万帧环视 LiDAR 点云,通过丰富的语义注释,捕捉了城市和高速公路环境中的复杂车道模式。为了解决稀疏的 LiDAR 数据在车道标注中的问题,我们利用车道线的几何特征和 LiDAR 数据的固有空间属性,设计了一个简单而有效的自动标注流程。我们还提出了一种新颖的基于 LiDAR 的三维车道检测模型 LiLaDet,将 LiDAR 点云的空间几何学习融入到基于 Bird's Eye View(BEV)的车道识别中。实验结果表明,LiLaDet 在 K-Lane 数据集和我们的 LiSV-3DLane 上的三维车道检测任务中优于现有的基于摄像头和 LiDAR 的方法。
Sep, 2023
本文提出了一种使用深度卷积神经网络进行车道标记检测的算法,采用扩张卷积、精简模型结构等手段提高其低复杂度、高准确性,再采用后处理算法对曲线车道建模,该算法在拍摄到的路况场景下表现优异。
Sep, 2018
提出了一种新颖的端到端双视多模态三维车道检测框架 DV-3DLane,通过协同利用图像和激光雷达点的优势,在双视图空间中学习多模态特征并利用它们生成车道检测查询,实现准确的三维车道检测。在公开基准 OpenLane 上进行的广泛实验表明,DV-3DLane 具有高效性能,F1 得分提高了 11.2%,错误率大幅减少了 53.5%。
Jun, 2024
介绍了一种基于深度学习方法的端到端车道检测和分类系统,旨在解决在极端光照条件、看不清车道标记和车道标记稀疏等具有挑战性场景下的车道检测问题,并通过深度学习模型的微调和 CNN-based 分类分支的介入来实现车道类型的识别。该系统在 TuSimple dataset、Caltech lane dataset 和自己精心筛选的 LVLane dataset 上进行了实验验证,取得了优秀的检测和分类结果。
Jul, 2023