深度 3D 车道：融合单目 3D 车道检测与自监督单目深度估计-计算机科学-机器学习-自动驾驶.pdfVIP

深度3D车道：融合单目3D车道检测与自监督单目深度估计

MaxvandenHoven,KishaanJeeveswaran,PieterPiscaer,

ThijsWensveen,ElaheArani,BahramZonooz

Abstract—单目3D车道检测对于自动驾驶至关重要，但多应用来说成本过高[13]。其他方法，如SALAD[14]，

由于缺乏明确的空间信息而具有挑战性。多模态方法依赖于昂结合了完全监督的深度网络来预测3D结构，但这需

贵的深度传感器，而采用全监督深度网络的方法则依赖于难以要依赖难以大规模收集的真实深度数据[15],[16]。此

大规模收集的真实深度数据。此外，现有方法假设相机参数可

用，限制了其在像众包高清晰度（HD）车道映射等场景中的外，当前的方法假设准确的相机参数是可用的[17]，这

适用性。为了解决这些问题，我们提出了一种新颖的双路径框限制了在无法进行相机校准的应用场景中的应用，例

架Depth3DLane，该框架集成了自监督单目深度估计以提如众包高清车道地图制作[3]。

供明确的结构信息，无需昂贵的传感器或额外的真实深度数

据。利用自监督深度网络获得场景的点云表示，我们的鸟瞰为了解决先前方法中存在的上述限制，我们提出

图路径提取明确的空间信息，而我们的前视路径则同时提取丰了Depth3DLane，这是一种新颖的双路径框架，它集

富的语义信息。Depth3DLane然后使用3D车道锚点从两成了自监督单目深度估计来预测明确的空间信息，无

个路径中采样特征并推断准确的3D车道几何形状。此外，我需依赖昂贵的传感器或额外的真实深度数据。自监督

本们将框架扩展到基于每帧预测相机参数，并引入了一种理论上单目深度估计算法能够学习共同预测密集的深度和自

合理的拟合过程以提高每个段落的稳定性。广泛的实验表明，

译Depth3DLane在OpenLane基准数据集上实现了具有竞争我运动，从而使场景的3D结构能够在一系列未标记

力的表现。此外，实验证明使用学习得到的参数而不是真实参的单目视频帧中得到一致的解释。通过结合鸟瞰视角

中数允许Depth3DLane应用于相机校准不可行的情景中，而路径中的明确空间信息与前视图路径中的丰富语义信

1之前的方法则不能做到这一点。息，Depth3DLane能够准确推断出3D车道几何形状。

v

7I.介绍此外，我们展示了我们的框架可以扩展到以自监

5督方式学习相机内参。为了解决每帧学习的内参数不

8单目三维车道检测的目标是利用单一前视摄像头稳定的问题，我们提出了一种理论驱动的拟合程序来

3识别自车周围的车道线和道路边界。这些检测结果构基于每个片段估计内参数。这种方法使得我们的框架

1.成了各种下游任务的基础，如车道偏离警告[1]，高精可以在相机标定不可行的情况下应用，与以前的方法

7度（HD）地图绘制[2]和自动化基础设施检查[3],[4]。不同。

0尽管已经提出了许多单目三维车道检测的方法，但由我们的贡献可以概括如下：

5

2于缺乏显式的空间信息[5]，推断三维结构仍然是一个1)我们提出了Depth3DLane，一个双通道框架，该

:基本的挑战。框架将单目三维车道检测与自监督单目深度估

v

i一种常见方法是将逆透视映射（IPM）[6]集成到计相结合，以预测显式的空间信息，而无需依赖

x网络架构中，以在假设地面平坦的情况下将特征投影