Depth3DLane：融合单目3D车道检测与自监督单目深度估计
计算机视觉与模式识别
2025-07-21 v1 机器人学
摘要
单目3D车道检测是自动驾驶中的关键任务，但由于缺乏显式空间信息，难以实现。多模态方法依赖昂贵的深度传感器，而完全监督深度网络方法则依赖难以大规模收集的真实深度数据。此外，现有方法假设可用相机参数，限制了其在众包高清（HD）车道映射等场景中的适用性。为此，我们提出Depth3DLane，一种新型的双路径框架，将自监督单目深度估计集成其中，以提供显式的结构信息，无需昂贵传感器或额外的真实深度数据。利用自监督深度网络获取场景点云表示，我们的鸟瞰视图路径提取显式的空间信息，而我们的前视图路径同时提取丰富的语义信息。Depth3DLane随后利用3D车道锚点从两个路径中采样特征，以推断准确的3D车道几何。此外，我们扩展了该框架，用于按帧预测相机参数，并引入一种以理论为导向的拟合程序，以增强在每个车道段上的稳定性。广泛的实验表明，Depth3DLane在OpenLane基准数据集上实现了具竞争力的性能。此外，实验结果表明，使用学习到的参数而非真实参数，使Depth3DLane能够在相机标定不可行的场景中应用，与以往方法不同。
引用
@article{arxiv.2507.13857,
title = {Depth3DLane: Fusing Monocular 3D Lane Detection with Self-Supervised Monocular Depth Estimation},
author = {Max van den Hoven and Kishaan Jeeveswaran and Pieter Piscaer and Thijs Wensveen and Elahe Arani and Bahram Zonooz},
journal= {arXiv preprint arXiv:2507.13857},
year = {2025}
}