LaneCPP: Continuous 3D Lane Detection using Physical Priors

要約

単眼 3D 車線検出は、路面の検出と車線区分線の位置の特定というタスクで構成される自動運転の状況において基本的な問題となっています。
大きな課題の 1 つは、予測不可能な動作を回避しながら、複雑な車線構造をモデル化できる柔軟かつ堅牢なライン表現にあります。
これまでの手法は完全にデータ駆動型のアプローチに依存していましたが、代わりに、車線構造と道路形状に関する物理的な事前知識を活用した連続 3D 車線検出モデルを使用する新しいアプローチ LaneCPP を導入します。
私たちの洗練された車線モデルは、複雑な道路構造をモデル化することができますが、パラメトリック表現に分析的に適用できる正則化スキームによって物理的制約が組み込まれているため、堅牢な動作も示します。
さらに、ジオメトリを認識した空間フィーチャをモデル化することで、道路ジオメトリに関する事前知識を 3D フィーチャ空間に組み込み、ネットワークが内部の路面表現を学習するように導きます。
私たちの実験では、私たちの貢献の利点を示し、事前分布を使用して 3D 車線検出をより堅牢にすることの意義を証明します。
結果は、LaneCPP が F スコアと幾何学的誤差の点で最先端のパフォーマンスを達成していることを示しています。

要約(オリジナル)

Monocular 3D lane detection has become a fundamental problem in the context of autonomous driving, which comprises the tasks of finding the road surface and locating lane markings. One major challenge lies in a flexible but robust line representation capable of modeling complex lane structures, while still avoiding unpredictable behavior. While previous methods rely on fully data-driven approaches, we instead introduce a novel approach LaneCPP that uses a continuous 3D lane detection model leveraging physical prior knowledge about the lane structure and road geometry. While our sophisticated lane model is capable of modeling complex road structures, it also shows robust behavior since physical constraints are incorporated by means of a regularization scheme that can be analytically applied to our parametric representation. Moreover, we incorporate prior knowledge about the road geometry into the 3D feature space by modeling geometry-aware spatial features, guiding the network to learn an internal road surface representation. In our experiments, we show the benefits of our contributions and prove the meaningfulness of using priors to make 3D lane detection more robust. The results show that LaneCPP achieves state-of-the-art performance in terms of F-Score and geometric errors.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google