提升车道检测泛化性能:一种利用高精度地图提升多样性的新框架
自动驾驶库存着一直依赖昂贵且劳动密集的高清地图,制约了其可扩展性,而标准清晰度地图则更经济实惠且具有全球覆盖,为提供可扩展的替代方案。本文系统性地研究了标准清晰度地图对实时车道拓扑理解的影响,并提出了一种将标准清晰度地图集成到在线地图预测的新型框架,使用基于 Transformer 的编码器 SD Map Encoder Representations from transFormers 利用标准清晰度地图中的先验知识来进行车道拓扑预测任务。这种改进可以显著提高(高达 60%)当前最先进的在线地图预测方法的车道检测和拓扑预测能力,而且可以立即应用于任何基于 Transformer 的车道拓扑方法。
Nov, 2023
本研究提出了多层领域自适应(MLDA)框架,通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测,以识别车道形状和位置先验知识,提出了一种新的视角来解决车道检测领域差异带来的挑战, 针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足, 在两个挑战性数据集 TuSimple 和 CULane 中,我们的方法相对于现有领域自适应算法,在准确性和 F1 分数方面分别提高了 8.8%和 7.4%。
Jun, 2022
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
通过对合成扰动进行实验和实际自主驾驶数据的评估,研究发现在现实世界高清地图变化中,合成先前扰动与实际观察到的地图变化之间仍存在较大的差距,从而限制了当前利用先前信息的高清地图预测模型的实用性。
Jun, 2024
该研究论文提出了一种名为 SGV3D 的创新道路边缘 3D 物体检测方案,通过背景抑制模块(BSM)减少视觉中心流程中的背景过拟合问题,并利用半监督数据生成流程(SSDG)利用新场景中的未标记图像生成具有不同摄像机姿态的多样化实例前景,从而提高了在新场景中的检测准确性。
Jan, 2024
本文通过使用有向无环图模型 (DAG) 来推断车道边界的几何和拓扑属性,从而提高制作高精度地图的效率。经测试,该方法在两个不同的州的两条北美高速公路上表现出了 89% 的正确率。
Dec, 2020
本文表明,高清地图提供了强有力的先验知识,可以提高现代三维物体探测器的效能和稳健性。为此,我们设计了一种从高清地图提取几何和语义特征的单级探测器,并提出了一个地图预测模块,可以从原始 LiDAR 数据中实时估计地图。我们在 KITTI 数据集以及包含 100 万帧的大规模三维检测基准测试中进行了广泛的实验,结果表明本文提出的地图感知探测器在有地图和无地图情况下都始终优于现有技术水平。重要的是,整个框架的运行速度达到了每秒 20 帧。
Dec, 2020
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
我们提出了一种单域泛化多任务学习方法,通过引入新颖的数据增强方法和多任务学习策略,改进了 3D 物体检测的泛化性能,并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。
Nov, 2023
本文提出了一种新型的卷积模型用于车道检测,并采用特定训练方法,使其能够适应各种天气和照明环境,达到和竞争对手相当的检测准确度,并以 90 FPS 的速度运行。
May, 2019