[如何高效的提升3D车道线的标注效率?]
作者提出了一种基于激光雷达扫描和2D车道标签的3D车道自动标注pipeline，可以大大提升效率。
- 题目: LIDAR & camera reference system for generating ground truth datafor lane and road edge detection
- 作者单位: 查尔姆斯理工大学
自动驾驶汽车的发展，也被称为自动驾驶汽车，有可能彻底改变交通运输。先进的传感器和算法使这些车辆能够自主导航和操作。为了实现高水平的安全性和可靠性，自动驾驶汽车需要大量标注良好的数据。因此，数据标注是至关重要的。作为数据标注的一部分，各种元素(如车辆、行人和道路标记)都要手动标注。标注数据非常耗时、昂贵，而且容易出现人为错误。因此需要自动化和改进标注过程
本文提出了三个主要思想: 一个基于激光雷达扫描和2D车道标签的3D车道自动标注pipeline，一个车道检测模型，最后结合过去和未来的推理来改进车道检测。标注pipeline考虑使用激光雷达扫描当前帧的前后顿，以增强真值。模型结合了两个机器学习框架: SuperFusion 和 M2-3DLanNet 来生成3D 车道线预测。为了表示3D 车道线，使用了四个类(虚线、实线、其他和空)的网格表示。随着时间的推移，结合3D 预测改善了对真值的表现。评估表明，该模型使用更多的激光雷达扫描每帧图像性能更好，特别是在较短的距离(0-30米)。分类车道在航向水平方向的平方平均误差约为5.5厘米。未来的改进包括延长训练时间和使用更复杂的网格表示以更好地捕捉3D 车道线。
LIDAR & camera reference system for generating ground truth datafor lane and road edge detection
打赏作者
