Mar, 2020

半局部三维车道检测及不确定性估计

PDF
TL;DR本文提出基于相机的 DNN 三维车道检测新方法，采用 BEV 矩形划分道路，结合深度特征嵌入建立车道段的参数模型和聚类方法实现道路的检测，尤其针对复杂的车道几何结构和曲率，同时输出一个基于学习的检测不确定性评估，实验证明效果显著。
3d lane detectioncamera-baseduncertainty estimationdeep feature embeddingparametric model
发现论文，激发创造
  • BEV-LaneDet: 一种简单有效的 3D 车道线检测基线模型

    本文提出了一种高效坚韧的单目三维车道检测方法 BEV-LaneDet， 通过引入虚拟相机、关键点表示方法和空间变换金字塔模块，能够更好地处理多样的三维车道结构，并在检测准确率上表现出色。

    Oct, 2022

  • 3D-LaneNet+: 基于半局部表示的无锚点车道检测

    3D-LaneNet + 是一种无锚点的相机 DNN 方法，用于检测不受支持的车道拓扑结构，如分叉、合并等，并使用特征嵌入实现车道实例的学习和全局连接，避免了使用车道锚点、非最大值抑制和车道模型拟合等。

    Nov, 2020

  • 深度多传感器车道检测

    提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

    May, 2019

  • 基于几何结构先验的 BEV 重建三维车道检测方法

    本研究提出了一种新的方法来解决通过利用 2D 到 3D 车道重建过程底层的几何结构来摆脱单目 3D 车道检测问题的方法，并使用结构先验来实现从局部到全局的三维车道重建，通过直接从前视图图像中提取 BEV 车道信息和任务特定的数据增强方法来降低 2D 车道表示中的结构损失，提高广义性；实验证明，该方法在 82 FPS 的实时速度下优于现有方法 3.8％的 F-Score。

    Jun, 2022

  • 面向安全自主驾驶：捕获深度神经网络中激光雷达三维车辆检测的不确定性

    为了保证自动驾驶汽车在公共道路上行驶安全，本文提出了一种基于 Lidar 点云的三维汽车探测器的概率检测方法，可以可靠地表示分类和定位任务中的外在和内在不确定性，并通过建模内在不确定性来提高检测精度 1％- 5％。

    Apr, 2018

  • ONCE-3DLanes：基于单目图像的三维车道线检测建模

    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

  • 通过对象 - 车道聚类改进在线车道图提取

    自主驾驶需要准确的局部场景理解信息，为此，我们提出了一种架构和损失形式来通过使用三维物体检测输出来改善局部车道图估计的准确性。所提出的方法通过将车道线作为簇中心，将物体视为要被分配到簇中心概率分布的数据点，从而学习将物体分配给车道中心线，以确保车道和物体之间的直接关系的监督，从而提高性能。该方法显著改善了车道图估计，且通过使用现有三维物体检测方法的输出，我们的方法可以实现显著的性能提升。由于我们的方法使用的是检测输出而不是检测方法的中间表示，因此我们的方法的单一模型可以在测试时使用任何检测方法。

    Jul, 2023

  • DV-3DLane：基于双视角表示的端到端多模态三维车道检测

    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

  • 3D-LaneNet: 端到端 3D 多车道检测

    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

  • 车道检测中曲线建模与路面回归的解耦

    本文提出了一种新的车道检测方法，通过将车道检测任务分解为曲线建模和地面高度回归两个部分，使用参数化曲线在 BEV 空间中表示车道，以反映车道的原始分布，并通过设计新的框架和一系列损失函数统一了 2D 和 3D 车道检测任务，在 2D 车道检测基准数据集 (TuSimple 和 CULane) 以及最近提出的 3D 车道检测数据集 (ONCE-3Dlane 和 OpenLane) 上取得了显著的改进。

    Sep, 2023