基于 LiDAR 监督的 4D Radar Occupancy 学习
机器学习
2025-10-31 v3 人工智能
机器人学
最优化与控制
摘要
对3D场景的全面理解是自动驾驶车辆(AVs)的核心需求,而占用估计作为感知任务中的核心环节,通过提供可驾驶和占用空间的通用表征。然而,现有大多数占用估计方法依赖LiDAR或摄像头,在烟雾、雨雪、雾霾等恶化环境下表现不佳。本文提出4D-ROLLS,首个利用LiDAR点云作为监督信号的4D雷达占用估计方法。具体而言,我们引入生成伪LiDAR标签的方法,包括占用查询和LiDAR高度图,作为多级监督信号训练4D雷达占用估计模型。随后,模型与LiDAR产生的占用图对齐,精细调优其占用估计精度。广泛的比较实验验证了4D-ROLLS的卓越性能。其在恶化环境下的鲁棒性和跨数据集训练的有效性得到定性证明。该模型还能无缝迁移至下游任务BEV分割和点云占用预测,凸显其广泛应用潜力。轻量级网络使4D-ROLLS模型能在4060 GPU上实现约30Hz的快速推理速度。4D-ROLLS的代码将公开于https://github.com/CLASS-Lab/4D-ROLLS。
引用
@article{arxiv.2505.13904,
title = {Learning to Insert for Constructive Neural Vehicle Routing Solver},
author = {Fu Luo and Xi Lin and Mengyuan Zhong and Fei Liu and Zhenkun Wang and Jianyong Sun and Qingfu Zhang},
journal= {arXiv preprint arXiv:2505.13904},
year = {2025}
}
备注
Accepted at NeurIPS 2025