CurbNet：基于 LiDAR 点云分割的路沿检测框架
计算机视觉与模式识别
2025-02-10 v3 机器人学
摘要
路沿检测是智能驾驶中的一项关键功能，对于确定道路上的可行驶区域至关重要。然而，道路环境的复杂性使得路沿检测极具挑战性。本文介绍了 CurbNet，一种利用点云分割的路沿检测新框架。为了解决缺乏带有 3D 标注的全面路沿数据集的问题，我们基于 SemanticKITTI 开发了 3D-Curb 数据集，这是目前最大、最多样化的路沿点云集合。认识到路沿的主要特征是高度变化，我们的方法利用空间信息丰富的 3D 点云进行训练。为了应对路沿特征在 xy 平面上分布不均以及沿 z 轴依赖高频特征所带来的挑战，我们引入了多尺度与通道注意力模块，这是一种旨在优化检测性能的定制解决方案。此外，我们提出了一组自适应加权损失函数，专门用于抵消路沿点云相对于其他类别分布的不平衡。在 2 个主要数据集上进行的大量实验表明，我们的方法超越了领先的路沿检测和点云分割模型所设定的现有基准。通过对检测结果进行后处理细化，我们显著减少了路沿检测中的噪声，从而将精度提高了 4.5 个百分点。同样，我们的容忍度实验也取得了最先进的结果。此外，真实世界实验与数据集分析相互印证，进一步证实了 CurbNet 卓越的检测能力和强大的泛化能力。项目网站位于：https://github.com/guoyangzhao/CurbNet/。
关键词
引用
@article{arxiv.2403.16794,
title = {CurbNet: Curb Detection Framework Based on LiDAR Point Cloud Segmentation},
author = {Guoyang Zhao and Fulong Ma and Weiqing Qi and Yuxuan Liu and Ming Liu and Jun Ma},
journal= {arXiv preprint arXiv:2403.16794},
year = {2025}
}