当城市教会车辆：基于基础设施的无标签3D感知

自主驾驶的鲁棒3D感知仍严重依赖大规模数据收集和手动标注，但随着部署在多样化城市和地区的扩展，这种范式变得不可行。与此同时，现代城市日益安装了路侧单元(RSUs)，这些单元沿道路和交叉口部署，以监控交通。这自然引出了一个问题：城市本身能否帮助训练车辆？我们提出一种基础设施教会的、无标签3D感知范式，其中RSUs充当 ego 车辆的 stationary、无监督教师。利用其固定视角和重复观察，RSUs从无标签数据中学习本地3D检测器并广播预测给经过的车辆，这些车辆被聚合为伪标签监督，用于训练独立的ego检测器。最终模型在测试时无需基础设施或通信。我们将这一概念实现为一个完全无标签的三阶段管道，并在基于CARLA的多智能体环境中进行概念和可行性研究。使用CenterPoint，我们的管道实现了82.3%的检测精度(vehicle)，与完全监督的ego上限为94.4%。我们进一步系统性地分析了每个阶段，评估了其可扩展性，并演示了与现有ego中心无标签方法的互补性。总而言之，这些结果表明，城市基础设施本身可能为自主车辆提供可扩展的监督信号，使基础设施教会学习成为降低3D感知标注成本的有前景的正交范式。