基于LiDAR点云地图的无标注车道区域和路缘检测
计算机视觉与模式识别
2026-03-31 v1
摘要
车道区域和路缘是自动驾驶中至关重要的交通要素，构成车辆视觉感知系统的关键组件，确保行驶安全。深度神经网络（DNN）显著提升了车道区域和路缘检测的感知性能，但大多数基于DNN的方法依赖于大规模人工标注数据集，这些数据集成本高昂、耗时耗力且依赖专家资源，限制了其实际应用。因此，我们开发了一个自动化训练数据生成模块。我们之前的工作使用单帧LiDAR和RGB数据生成训练标签，受遮挡和远距离点云稀疏性限制。本文提出一种新型基于地图的自动数据标注器（MADL）模块，将LiDAR制图/定位与路缘检测结合，用于自动生成两项任务的训练数据。MADL通过LiDAR制图规避遮挡和点云稀疏问题，创建了用于DNN训练的准确大规模数据集。此外，我们构建了一个数据审查代理，用于过滤MADL模块生成的数据，消除低质量样本。在KITTI、KITTI-CARLA和3D-Curb数据集上的实验表明，MADL在性能上显著优于人工标注，同时在鲁棒性和准确性方面超越了传统方法和最新无监督方法。
引用
@article{arxiv.2603.27553,
title = {Annotation-Free Detection of Drivable Areas and Curbs Leveraging LiDAR Point Cloud Maps},
author = {Fulong Ma and Daojie Peng and Jun Ma},
journal= {arXiv preprint arXiv:2603.27553},
year = {2026}
}