RoadBEV:鸟瞰图中的道路表面重建

1. 代码地址

GitHub - ztsrxh/RoadBEV: Codes for RoadBEV: road surface reconstruction in Bird's Eye View

2. 摘要

本文介绍了RoadBEV:鸟瞰图中的道路表面重建。道路表面条件(特别是几何形状)极大地影响了自动驾驶汽车的驾驶性能。基于视觉的在线道路重建有望提前获取道路信息。现有的解决方案(例如单目深度估计和双目匹配)性能较差。最新的鸟瞰图(BEV)感知为更可靠、更精确的重建提供了巨大的潜力。本文统一地提出了两种简单而有效的BEV道路高程重建模型,称为RoadBEV-mono和RoadBEV-stereo,其分别使用单目和双目图像来估计道路高程。前者基于从图像中查询的体素特征直接拟合高程值,而后者基于表示左右体素特征之间差异的BEV体积来有效识别道路高程模式。精辟的分析证明了它们与透视图的一致性和差异性。在现实世界数据集上的实验验证了模型的有效性和卓越性。RoadBEV-mono和RoadBEV-stereo的高程误差分别达到1.83cm和0.56cm。在基于单目图像的BEV中,估计性能提高了50%。本文所提出的模型具有良好的实际应用前景,为自动驾驶中基于视觉的BEV感知提供了有价值的参考。

3. 主要贡献

本文的贡献总结如下:

  • 本文首次通过分析和实验证明了在BEV中实现道路表面重建的必要性和优越性;
  • 对于基于单目和双目的方案,本文相应地提出了两个模型,称为RoadBEV-mono和RoadBEV-stereo,并且详细地解释了它们的机制;
  • 本文全面测试和分析了所提出模型的性能,为未来研究提供了有价值的见解和前景。

4. 数据集与预处理

5. 方法

5.1. 特征体素与高度回归

5.2. RoadBEV-mono

5.3. RoadBEV-stereo

5.4. 损失函数

6. 实验

6.1. 实验细节

6.2. 性能与对比

6.3. 路面重建可视化

6.4. RoadBEV-mono消融实验

6.5. RoadBEV-stereo消融实验

7. 总结

本文首次在鸟瞰图中重建道路表面高程,分别提出并且分析了基于单目和双目图像的RoadBEV-mono和RoadBEV-stereo。本文揭示了BEV中单目估计和双目匹配与透视图中的机制相同,但是可以通过缩小搜索范围和直接在高程方向上挖掘特征来改进。在现实世界数据集上进行的全面实验验证了所提出的BEV体积、估计头和参数设置的可行性和优越性。对于单目相机,BEV的重建性能比透视图的重建性能提高了50%。同时,在BEV中,使用双目相机的性能是使用单目相机的三倍。本文提供了有关模型的深入分析,其开创性的探索也为BEV感知、3D重建和3D检测的进一步研究和应用提供了有价值的参考。

参考文献

RoadBEV: Road Surface Reconstruction in Bird's Eye View

https://zhuanlan.zhihu.com/p/692651589

相关推荐
视觉语言导航1 小时前
ICCV-2025 | 复杂场景的精准可控生成新突破!基于场景图的可控 3D 户外场景生成
人工智能·深度学习·具身智能
AI街潜水的八角3 小时前
深度学习图像分类数据集—濒危动物识别分类
人工智能·深度学习
安思派Anspire3 小时前
LangGraph + MCP + Ollama:构建强大代理 AI 的关键(一)
前端·深度学习·架构
FF-Studio3 小时前
大语言模型(LLM)课程学习(Curriculum Learning)、数据课程(data curriculum)指南:从原理到实践
人工智能·python·深度学习·神经网络·机器学习·语言模型·自然语言处理
Zhichao_974 小时前
【ROS2 自动驾驶学习】02-安装ROS2及其配套工具
自动驾驶·ros2
Mr.Winter`4 小时前
轨迹优化 | 基于激光雷达的欧氏距离场ESDF地图构建(附ROS C++仿真)
c++·人工智能·机器人·自动驾驶·ros·ros2·具身智能
CoovallyAIHub4 小时前
YOLO模型优化全攻略:从“准”到“快”,全靠这些招!
深度学习·算法·计算机视觉
G.E.N.5 小时前
开源!RAG竞技场(2):标准RAG算法
大数据·人工智能·深度学习·神经网络·算法·llm·rag
zm-v-159304339868 小时前
ArcGIS 水文分析升级:基于深度学习的流域洪水演进过程模拟
人工智能·深度学习·arcgis
SHIPKING39310 小时前
【机器学习&深度学习】什么是下游任务模型?
人工智能·深度学习·机器学习