自动驾驶中三维框标注系统误差的校正与量化
计算机视觉与模式识别
2026-01-21 v1
摘要
精确的真值标注对于监督学习和评估自动驾驶系统性能至关重要。这些车辆通常配备有主动传感器，如激光雷达（LiDAR），它们以预定义的模式扫描环境。基于此类传感器数据进行三维框标注在动态场景中极具挑战性，因为物体会在不同时间戳被观测到，从而处于不同位置。若不妥善处理这一现象，则容易在框标注中引入系统误差。我们的工作首次在广泛使用的公开数据集中发现了此类标注误差。通过我们新颖的离线估计方法，我们校正了标注，使其遵循物理上可行的轨迹，并实现与传感器数据的时空一致性。我们首次为此问题定义了评估指标，并在 Argoverse 2、MAN TruckScenes 以及我们的专有数据集上评估了我们的方法。我们的方法在这些数据集中将框标注质量提升了超过 17%。此外，我们量化了其中的标注误差，发现原始标注的位置偏差高达 2.5 米，其中高动态物体受到的影响最大。最后，我们测试了这些误差在基准测试中的影响，发现其影响大于最先进方法相对于先前最先进方法通常取得的改进，这表明准确的标注对于正确解读性能至关重要。我们的代码可在 https://github.com/alexandre-justo-miro/annotation-correction-3D-boxes 获取。
引用
@article{arxiv.2601.14038,
title = {Correcting and Quantifying Systematic Errors in 3D Box Annotations for Autonomous Driving},
author = {Alexandre Justo Miro and Ludvig af Klinteberg and Bogdan Timus and Aron Asefaw and Ajinkya Khoche and Thomas Gustafsson and Sina Sharif Mansouri and Masoud Daneshtalab},
journal= {arXiv preprint arXiv:2601.14038},
year = {2026}
}
备注
Accepted to The IEEE/CVF Winter Conference on Applications of Computer Vision 2026