Apr, 2024

自动驾驶的单目三维车道检测：近期进展、挑战和展望

PDF
TL;DR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。
3d lane detectionautonomous drivingmonocular visionvisual perceptiondeep learning models
发现论文，激发创造
  • 自动驾驶的 3D 物体检测综述

    本文旨在填补 3D 对象检测在自动驾驶中的知识空白，综述了相关领域的传感器、数据集、性能度量以及最新的检测方法，分析了其优劣，并进行了定量比较和案例研究，最后总结了研究成果和未来发展方向。

    Jun, 2021

  • 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

  • 自动驾驶中的三维物体检测：综述与新展望

    本文综述了自动驾驶技术中感知系统中重要的一环 - 三维物体检测的研究进展以及应用，包括基于激光雷达和基于相机的方法，并分析了各自的优缺点和潜在的应用场景。

    Jun, 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

  • 面向自动驾驶的图像三维物体检测综述

    本文综述了自 2015 年至 2021 年期间针对基于图像的三维物体检测问题的 200 多个研究，并提出了两个新的分类体系来组织现有的最先进的方法，并深入分析了它们的各个组成部分。同时，本文探讨了这个领域的挑战和未来方向。

    Feb, 2022

  • 用于自动驾驶的可扩展基于视觉的三维物体检测与单目深度估计

    这篇论文通过引入结构增强、数据驱动策略和自主驾驶环境下的无监督深度估计，为自主驾驶应用中基于视觉的 3D 感知技术的广泛应用打下了坚实基础。

    Mar, 2024

  • LaneCorrect: 自监督车道检测

    本文提出了一种无监督的 3D 车道分割方法，通过利用激光雷达点云帧上车道的独特强度，在 2D 平面上投影 3D 点来获取嘈杂的车道标签；同时，利用自监督的预训练模型，矫正车道标签并训练学生网络实现任意目标车道（例如，TuSimple）的无人工标签检测，通过对 TuSimple、CULane、CurveLanes 和 LLAMAS 等四个主要车道检测基准进行评估，证明了优于现有监督方法的卓越性能，并且在减小领域差异方面具有更好的效果，即在 CULane 上训练，TuSimple 上测试。

    Apr, 2024

  • 利用过去的 LiDAR 改进单目 3D 检测器

    通过利用无标签的历史雷达数据，我们提出了一种新颖、简洁且端到端可训练的框架 AsyncDepth，用于改进单目 3D 检测器的性能，并取得了一致且显著的性能提升。

    Apr, 2024

  • 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

  • 视角到标签：自监督三维物体检测的多视角一致性

    提出了一种基于多视角和弱标签的纯 RGB 序列的自监督 3D 物体检测方法，其在 KITTI 3D 数据集上的性能与使用激光雷达或立体图像的最先进的自监督方法相当。

    May, 2023