基于锚定距离从 2D 单帧估计 3D 多目标距离

对 3D 环境中物体的视觉感知是自动驾驶与同步定位与建图（SLAM）成功性能的关键。本文提出一种仅使用单帧图像估计场景中多个物体距离的实时方法。给定 2D 边界框（BBox）与物体参数，可通过 3D 重投影直接算出到物体的 3D 距离；然而此类方法易产生显著误差，因为 2D 检测的误差会在 3D 中被放大。此外，由于计算负担，将此类方法应用于实时系统亦具挑战。在传统多目标检测方法中，已有工作针对特定任务（如物体分割或 2D BBox 回归）展开。这些方法引入锚定 BBox 概念以精细估计 2D BBox，且预测器针对特定 2D BBox 专门训练。为从单张 2D 图像估计 3D 物体距离，我们基于物体位置引入“锚定距离”概念，并提出将锚定距离应用于多目标检测器结构的方法。我们让预测器利用锚定距离捕捉距离先验并基于距离训练网络。预测器可表征为位于特定距离范围内的物体。通过距离锚将距离先验传播至预测器，可同时实现精确距离估计与实时执行。所提方法达到约 30 FPS 速度，且相较现有方法展示出最低 RMSE。