利用激光雷达点云进行三维车道线检测的进展：从数据采集到模型开发
计算机视觉与模式识别
2024-03-18 v3
摘要
高级驾驶辅助系统（ADAS）已成功将基于学习的技术集成到车辆感知与决策中。然而，其在用于有效驾驶环境感知的三维车道检测中的应用受限于综合激光雷达数据集的缺乏。激光雷达点云数据的稀疏性阻碍了高效的手动标注过程。为解决此问题，我们提出 LiSV-3DLane，一个大规模三维车道数据集，包含 20k 帧具有丰富语义标注的环视激光雷达点云。与局限于前向视角的现有数据集不同，LiSV-3DLane 提供自车周围完整的 360 度空间全景，捕捉城市与高速公路环境中的复杂车道模式。我们利用车道线的几何特征与激光雷达数据的内在空间属性，设计了一个简单而有效的自动标注流程以生成更精细的车道标签。为推动未来研究，我们提出一种新颖的基于激光雷达的三维车道检测模型 LiLaDet，将激光雷达点云的空间几何学习融入基于鸟瞰图（BEV）的车道识别中。实验结果表明，在 K-Lane 数据集和我们的 LiSV-3DLane 上，LiLaDet 在三维车道检测任务中优于现有的基于相机和基于激光雷达的方法。
引用
@article{arxiv.2309.13596,
title = {Advancements in 3D Lane Detection Using LiDAR Point Clouds: From Data Collection to Model Development},
author = {Runkai Zhao and Yuwen Heng and Heng Wang and Yuanda Gao and Shilei Liu and Changhao Yao and Jiawen Chen and Weidong Cai},
journal= {arXiv preprint arXiv:2309.13596},
year = {2024}
}
备注
Accepted by ICRA2024