面向自动驾驶的长距离三维目标检测

长距离三维目标检测对于确保自动驾驶车辆的安全性和效率至关重要，使其能从远处准确感知并应对物体、障碍物和潜在危险。但当前大多数基于 LiDAR 的先进方法受限于长距离处的稀疏性，从而在靠近与远离自车的点之间产生了一种域间隙。另一个相关问题是远处目标的标签不平衡，它抑制了深度神经网络在长距离处的性能。为应对上述局限，我们探究了两种提升当前基于 LiDAR 的三维检测器长距离性能的途径。首先，我们组合两个称为距离专家的三维检测网络，一个专精于中近程目标，另一个专精于长距离三维检测。为在标签稀缺条件下训练长距离检测器，我们进一步依据标注点距自车的距离对损失进行加权。其次，我们使用多模态虚拟点（MVP，一种现成的基于图像的深度补全算法）生成的虚拟点来增强 LiDAR 扫描。我们在长距离 Argoverse2（AV2）数据集上的实验表明，MVP 在提升长距离性能方面更为有效，且实现简单。另一方面，距离专家提供了一种计算高效且更简单的替代方案，避免了对基于图像分割网络和完美相机-LiDAR 标定的依赖。