ICCVJul, 2023

通过对象 - 车道聚类改进在线车道图提取

PDF
TL;DR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。
autonomous drivinglocal scene understandingobject detectionbev lane graph extractionlane graph estimation
发现论文，激发创造
  • 从机载视频中在线提取车道图

    本文主要研究从视频流中提取 BEV 车道图。通过三种不同的方法，即后处理，空时嵌入变换和显式 BEV 投影等方法，实现在任意数量的图像上生成准确的车道图，并在 Nuscenes 和 Argoverse 数据集上进行了实验并证明了所提出方法的有效性和优越性。

    Apr, 2023

  • 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

  • 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

  • 半局部三维车道检测及不确定性估计

    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。

    Mar, 2020

  • 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

  • AutoGraph：从交通观测中预测车道图

    提出了使用交通参与者的运动模式作为车道图注释的自动车道图方法，通过预训练的对象跟踪器和 RGB 图像，可以在不需要人类监督的情况下预测车道图，实验证明效果与手动注释的图形数据训练的模型相当。

    Jun, 2023

  • 基于先验的单车载摄像头图像在线车道图提取

    使用单一车载摄像头图像进行在线鸟瞰车道图提取，通过优化潜空间向量，从先验分布派生的先验信息增强了初始车道图估计，并对其进行逻辑优化，结果显示该方法显著提高了性能。

    Jul, 2023

  • 路灯旁的行人：自适应对象图在实时地图制作中的应用

    本文提出了一种基于图神经网络的方法，通过对于场景中物体的空间关系，从单目图像中预测出鸟瞰地图中的物体，从而解决了现有基于纹理的模型在距离摄像机较远时定位错误率增加的问题，并在三个大规模数据集上取得了最新的最佳结果，包括了相对于 nuScenes 数据集上 50% 的提升。

    Apr, 2022

  • 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

  • 自动驾驶的单目三维车道检测：近期进展、挑战和展望

    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