BEVal：面向自动驾驶的 BEV 分段模型的跨数据集评估研究
计算机视觉与模式识别
2026-04-29 v4 机器人学
摘要
当前针对自动驾驶应用的语义鸟瞰视图 (BEV) 分段研究仅聚焦于单一数据集（通常为 nuScenes）上的神经网络模型优化，导致开发出高度专业化的模型，难以应对不同环境或传感器配置下的情形，这是已知的 domain shift 问题。本文对最新 BEV 分段模型进行全面跨数据集评估，评估其在不同训练与测试数据集及配置下、以及不同语义类别下的性能。我们探讨了不同传感器（如摄像头和 LiDAR）对模型泛化至多样化条件与场景能力的影响。此外，我们进行了多数据集训练实验，显著提升了模型的 BEV 分段性能。本工作填补了 BEV 分段模型在跨数据集验证方面的评估空白。我们的发现凸显了增强模型泛化性与适应性的重要性，以确保自动驾驶应用中更稳健可靠的 BEV 分段方法。本论文代码已公开于 https://github.com/manueldiaz96/beval。
引用
@article{arxiv.2408.16322,
title = {BEVal: A Cross-dataset Evaluation Study of BEV Segmentation Models for Autonomous Driving},
author = {Manuel Alejandro Diaz-Zapata and Wenqian Liu and Robin Baruffa and Christian Laugier},
journal= {arXiv preprint arXiv:2408.16322},
year = {2026}
}