R4Dyn：利用雷达探索动态场景的自监督单目深度估计
计算机视觉与模式识别
2023-08-22 v2 机器学习
机器人学
摘要
尽管驾驶场景中的自监督单目深度估计已取得与有监督方法相当的性能，但对静态世界假设的违背仍会导致对交通参与者的深度预测出错，构成潜在安全问题。本文提出R4Dyn，一组在自监督深度估计框架之上使用低成本雷达数据的新技术。具体而言，我们展示了雷达如何在训练时作为弱监督信号使用，以及作为额外输入在推理时增强估计的鲁棒性。由于车载雷达已广泛可用，这允许从多种现有车辆收集训练数据。此外，通过对信号进行滤波与扩展以使其兼容基于学习的方法，我们解决了雷达固有的噪声与稀疏性问题。借助R4Dyn，我们克服了自监督深度估计的一个主要局限，即交通参与者的预测。我们在动态物体（如汽车）上的估计在具有挑战性的nuScenes数据集上提升了37%，从而证明雷达是自动驾驶车辆单目深度估计中一种有价值的附加传感器。
引用
@article{arxiv.2108.04814,
title = {R4Dyn: Exploring Radar for Self-Supervised Monocular Depth Estimation of Dynamic Scenes},
author = {Stefano Gasperini and Patrick Koch and Vinzenz Dallabetta and Nassir Navab and Benjamin Busam and Federico Tombari},
journal= {arXiv preprint arXiv:2108.04814},
year = {2023}
}
备注
Accepted at the International Conference on 3D Vision (3DV) 2021