基于局部化引导的自动驾驶前景增强
计算机视觉与模式识别
2026-04-22 v1 机器人学
摘要
自动驾驶系统在恶劣可见性条件下（如雨天、夜间或雪天）常常会性能降级——此时，线条、道路边界及行人过街等在线场景几何信息变得稀疏或碎片化。虽然高清地图（HD Map）可提供缺失的结构上下文，但规模化构建和维护成本高昂。我们提出一种轻量级且即插即用的推理模块——局部化引导前景增强（LG-FA），通过在线丰富几何上下文来增强前景感知。LG-FA：（i）从单帧鸟瞰图（BEV）预测中逐步构建稀疏全局向量层；（ii）基于类别约束的几何对齐估计ego位姿，同时改进定位精度并补全缺失的局部拓扑结构；（iii）将增强后的前景重新投影到统一的全局坐标系，以提升单帧预测效果。基于挑战性nuScenes序列的实验表明，LG-FA显著改善了BEV表示的几何完整性和时序稳定性，降低了定位误差，并实现了全局一致的车道线和拓扑结构重建。该模块可无需修改网络主干结构地无缝集成到现有的BEV型感知系统中。通过提供可靠的几何上下文先验，LG-FA增强了时序一致性，为跟踪、决策等下游模块提供稳定的结构支撑。
引用
@article{arxiv.2604.18940,
title = {Localization-Guided Foreground Augmentation in Autonomous Driving},
author = {Jiawei Yong and Deyuan Qu and Qi Chen and Kentaro Oguchi and Shintaro Fukushima},
journal= {arXiv preprint arXiv:2604.18940},
year = {2026}
}