铰接车辆自监督环绕深度估计的跨车辆三维几何一致性
计算机视觉与模式识别
2026-04-06 v1 人工智能
摘要
环绕深度估计为自动驾驶中的三维感知提供了一种经济高效的LiDAR替代方案。虽然近期的自监督方法探索了多相机设置以提升尺度感知和场景覆盖，但它们主要针对乘用车辆设计，很少考虑铰接车辆或机器人平台。铰接结构引入了复杂的跨段几何和运动耦合，使得跨视图的一致深度推理更具挑战性。在本工作中，我们提出了ArticuSurDepth——一种面向铰接车辆的环绕视图深度估计自监督框架，通过来自视觉基础模型的结构先验引导跨视图和跨车辆几何一致性来增强深度学习。具体而言，我们引入了多视图空间上下文增强策略和跨视图表面法线约束以提升空间和时间上下文中的结构一致性。我们进一步结合了基于地面平面感知的相机高度正则化以鼓励度量深度估计，以及跨车辆姿态一致性以桥接铰接段之间的运动估计。为验证所提方法，我们建立了一个铰接车辆实验平台并收集了相应数据集。实验结果表明，我们的方法在自收集数据集以及DDAD、nuScenes和KITTI基准上均取得了最先进的（SoTA）深度估计性能。
引用
@article{arxiv.2604.02639,
title = {Cross-Vehicle 3D Geometric Consistency for Self-Supervised Surround Depth Estimation on Articulated Vehicles},
author = {Weimin Liu and Jiyuan Qiu and Wenjun Wang and Joshua H. Meng},
journal= {arXiv preprint arXiv:2604.02639},
year = {2026}
}