基于轨迹的雪地条件激光雷达-摄像头融合道路自动标注
计算机视觉与模式识别
2025-03-03 v2
摘要
安全的自动驾驶和高级驾驶辅助系统要求在所有道路条件下实现稳健的道路分割。监督式深度学习方法在其训练数据范围内提供准确的道路分割，但在超出分布场景时难以可靠。将整个分布纳入训练集具有挑战性，因为每个样本都需要人工标注。基于轨迹的自监督方法提供了潜在解决方案，因为它们可以从遍历的路线中学习，而无需手动标注。然而，现有的基于轨迹的方法仅使用摄像头或激光雷达，本文提出将轨迹学习与激光雷达和摄像头联合实现，以提升性能。我们的方法在包含乡村和郊区驾驶场景的具有挑战性的冬季驾驶数据集上，优于最近的单一摄像头和激光雷达方法。源代码可在 https://github.com/eerik98/lidar-camera-road-autolabeling.git 获取。
关键词
引用
@article{arxiv.2412.02370,
title = {Trajectory-based Road Autolabeling with Lidar-Camera Fusion in Winter Conditions},
author = {Eerik Alamikkotervo and Henrik Toikka and Kari Tammi and Risto Ojala},
journal= {arXiv preprint arXiv:2412.02370},
year = {2025}
}
备注
Small bugs fixed, noise filtering removed as it was removing useful points, failure case analysis added, dataset published