通用汽车最新提出:3D车道线检测新方法
论文链接:https://arxiv.org/abs/2003.05257
如图是有不确定性估计网络的基于摄像机3-D车道线检测示意图。该方法适用于“鸟瞰视角(Bird Eye View)”透视图,该视图被栅格化为粗网格。输出所有网格的参数化3-D曲线表示,然后处理形成整个3-D车道曲线以及检测的不确定性估计。
该表示将车道曲线细分为多个车道线段,但未明确获取它们之间的任何关系。相邻的网格将具有重叠的感受野并产生相关结果,但是没有捕获多个网格表示的是同一车道的事实。为了生成完整的车道曲线,文中学习了每个网格的嵌入,其沿着车道满足全局一致性。这样,可以将小车道线段聚类成一个完整的曲线。
此外,通过网络输出建模为高斯分布并估计其均值和方差值,可以实现不确定性估计。对每个车道线段参数操作,将其组合在一起,对每个车道线的点生成最终的协方差矩阵。与沿着网格进行局部学习的线段参数不同,这种方法训练不确定性所需的经验误差,取决于组成整个车道的所有网格并全局进行推理。
如图是网络结构图。该网络由两个处理流水线组成:图像视图和鸟瞰(BEV)视图。图像视图编码器由ResNet块组成。BEV主干由投影图像视图的特征图组成,并与来自前一个块的卷积投影特征图拼接。最终BEV特征图是生成局部车道线段的车道线预测头输入、将这些线段聚类到整个车道的全局嵌入、以及依赖于局部网格和整个车道曲线的车道点位置不确定性。
假设通过每个网格的车道线可以拟合为一个线段。具体地说,网络针对每个网格回归三个参数:相对于网格中心的横向偏移距离,直线角度和高度偏移。除了这些参数之外,网络还预测二值分类分数,该分数指示车道与特定网格相交的概率。将网格相交的车道线投影到道路平面后,用GT车道线点把网格相交的车道线段近似为直线,可计算出偏移量和角度,即GT回归的目标。
参考文献
-
汽车测试网V课堂
-
微信公众号
-
汽车测试网手机站
最新资讯
-
R10规定的车辆对AC/DC充电线电压波动的抗扰
2025-01-27 08:58
-
乘势而上,北汽极狐2025将继续极速前行
2025-01-26 11:21
-
北汽蓝谷稳健前行,蓄势新一轮高质量发展
2025-01-26 10:52
-
吉利汽车与电动车辆国家工程研究中心共建联
2025-01-26 10:13
-
R10规定的零部件对AC/DC充电线电压波动的抗
2025-01-26 10:10