PriorFusion：自动驾驶中鲁棒道路感知的先验统一融合框架
计算机视觉与模式识别
2025-08-05 v2
摘要
随着对自动驾驶的兴趣日益浓厚，对准确可靠的道路感知技术的需求也在不断增加。在没有高精地图支持的复杂环境中，自动驾驶车辆必须独立解释其周围环境以确保安全稳健的决策。然而，由于道路元素数量庞大、几何形状复杂且频繁遮挡，这些场景带来了重大挑战。现有方法的一个关键局限在于未能充分利用道路元素中固有的结构化先验，导致预测结果不规则且不准确。为了解决这一问题，我们提出了 PriorFusion，这是一个统一框架，有效融合语义、几何和生成先验以增强道路元素感知。我们引入了一种由形状先验特征引导的实例感知注意力机制，随后构建了一个数据驱动的形状模板空间，编码道路元素的低维表示，从而能够聚类生成作为参考先验的锚点。我们设计了一个基于扩散的框架，利用这些先验锚点生成准确且完整的预测。在大规模自动驾驶数据集上的实验表明，我们的方法显著提高了感知精度，尤其是在具有挑战性的条件下。可视化结果进一步证实，我们的方法能够对道路元素产生更准确、规则和连贯的预测。
引用
@article{arxiv.2507.23309,
title = {PriorFusion: Unified Integration of Priors for Robust Road Perception in Autonomous Driving},
author = {Xuewei Tang and Mengmeng Yang and Tuopu Wen and Peijin Jia and Le Cui and Mingshang Luo and Kehua Sheng and Bo Zhang and Diange Yang and Kun Jiang},
journal= {arXiv preprint arXiv:2507.23309},
year = {2025}
}