通过几何约束从单幅图像学习预测 3D 车道形状与相机位姿

从相机检测 3D 车道是自动驾驶车辆中一个新兴的问题。在该任务中，正确的相机位姿是生成准确车道的关键，它可将图像从透视视图变换到顶视图。借助该变换，我们可以消除透视效应，从而使 3D 车道看起来相似并能被低阶多项式精确拟合。然而，主流的 3D 车道检测器依赖于其他传感器提供的完美相机位姿，这成本高昂且面临多传感器标定问题。为克服该问题，我们提出通过两阶段框架从单幅图像估计相机位姿来预测 3D 车道。第一阶段旨在从透视视图图像完成相机位姿任务。为改进位姿估计，我们引入辅助 3D 车道任务与几何约束以受益于多任务学习，从而增强 3D 与 2D 之间的一致性以及上述两任务间的兼容性。第二阶段面向 3D 车道任务。它使用先前估计的位姿生成包含距离不变车道外观的顶视图图像，以预测准确的 3D 车道。实验表明，在无真实相机位姿的情况下，我们的方法优于基于完美相机位姿的当前最优方法，且参数量与计算量最少。代码见 https://github.com/liuruijin17/CLGo。