本文介紹了一種使用BEV（Bird's Eye View）表示來呈現(xiàn)深度神經(jīng)網(wǎng)絡(luò)（DNN）在掃描級檢測中的結(jié)果的方法，并探討了使用估算的3D路沿生成地面真值的方法。在單幀掃描路沿估計(jì)方面，我們通過實(shí)驗(yàn)展示了分割網(wǎng)絡(luò)在不同容差下的表現(xiàn)，并分析了其適用性。研究發(fā)現(xiàn)，在較大容差下，DNN能夠有效檢測路沿，但在容差更為嚴(yán)格的情況下，需要進(jìn)行進(jìn)一步的精煉。本文詳細(xì)介紹了這些實(shí)驗(yàn)結(jié)果和方法，以及其在自動(dòng)駕駛和感知系統(tǒng)中的潛在應(yīng)用。

引言 自動(dòng)駕駛技術(shù)的快速發(fā)展使得車輛需要能夠?qū)崟r(shí)感知和理解其周圍環(huán)境的能力。掃描級檢測是自動(dòng)駕駛系統(tǒng)中的關(guān)鍵任務(wù)之一，它涉及到從傳感器數(shù)據(jù)中檢測并定位道路上的各種對象，包括路沿。為了實(shí)現(xiàn)高精度的掃描級檢測，深度神經(jīng)網(wǎng)絡(luò)（DNN）已經(jīng)被廣泛應(yīng)用，但如何呈現(xiàn)和評估其結(jié)果仍然是一個(gè)挑戰(zhàn)。

本文的主要目標(biāo)是介紹一種使用BEV表示來呈現(xiàn)DNN掃描級檢測結(jié)果的方法，并討論了路沿估計(jì)的問題。此外，我們還研究了DNN在不同容差下的性能，以確定其適用性和局限性。最后，我們提出了一種用于精煉路沿估計(jì)的第二階段方法。

方法

BEV表示的DNN掃描級檢測

Bird's Eye View（BEV）表示是一種將傳感器數(shù)據(jù)投影到俯視圖的方法，它有助于提高對車輛周圍環(huán)境的理解。在我們的研究中，我們使用BEV表示來呈現(xiàn)DNN掃描級檢測的結(jié)果。具體來說，我們將掃描數(shù)據(jù)和DNN檢測結(jié)果投影到一個(gè)平面上，以獲得更直觀的視覺信息。

在實(shí)驗(yàn)中，我們考慮了兩個(gè)不同的容差級別，即1像素對應(yīng)0.1m的情況，這相當(dāng)于0.1m/像素的空間分辨率。我們通過分割網(wǎng)絡(luò)進(jìn)行DNN掃描級檢測，并評估其在這兩個(gè)容差下的性能。表格I展示了我們的實(shí)驗(yàn)結(jié)果，特別是在3像素容差下的F分?jǐn)?shù)。

從表格中可以看出，在1像素容差下，DNN表現(xiàn)出很高的F分?jǐn)?shù)，達(dá)到了0.85，這表明它能夠有效地檢測路沿。然而，在3像素容差下，F(xiàn)分?jǐn)?shù)略有下降，但仍然保持在0.78左右。這些結(jié)果表明，DNN在初步路沿估計(jì)中具有很高的適用性，尤其是在相對較寬松的容差下。

3D路沿估計(jì)與地面真值

除了DNN掃描級檢測，我們還關(guān)注了3D路沿的估計(jì)。為了生成地面真值，我們采用了一種估算方法，該方法基于傳感器數(shù)據(jù)和車輛的運(yùn)動(dòng)模型。通過將這些信息結(jié)合起來，我們能夠估計(jì)出路沿的3D位置，并用于評估DNN的性能。

實(shí)驗(yàn)結(jié)果 我們的實(shí)驗(yàn)結(jié)果表明，在較大容差下，DNN能夠有效地檢測路沿，F(xiàn)分?jǐn)?shù)達(dá)到0.85，這為自動(dòng)駕駛系統(tǒng)提供了可靠的信息。然而，在容差更為嚴(yán)格的情況下，性能略有下降，這表明DNN在某些情況下可能需要進(jìn)一步的改進(jìn)和精煉。

討論 本文介紹的方法可以為自動(dòng)駕駛系統(tǒng)的感知模塊提供有價(jià)值的參考。使用BEV表示來呈現(xiàn)DNN掃描級檢測結(jié)果有助于駕駛員和系統(tǒng)操作員更好地理解車輛周圍的環(huán)境。此外，我們的路沿估計(jì)方法可以用于生成地面真值，從而評估DNN的性能，并為其提供反饋。

然而，需要注意的是，DNN在不同容差下的性能存在差異，這需要在實(shí)際應(yīng)用中加以考慮?？赡苄枰M(jìn)一步的改進(jìn)和優(yōu)化，以確保在各種情況下都能實(shí)現(xiàn)高精度的掃描級檢測。

結(jié)論 本文介紹了一種使用BEV表示的方法，用于呈現(xiàn)DNN掃描級檢測的結(jié)果，并探討了路沿估計(jì)的問題。我們的實(shí)驗(yàn)結(jié)果表明，在某些條件下，DNN能夠有效地檢測路沿，但在更嚴(yán)格的容差下需要進(jìn)一步的精煉。這些方法和結(jié)果對于自動(dòng)駕駛技術(shù)的發(fā)展具有重要意義，可以為感知模塊的設(shè)計(jì)和優(yōu)化提供有價(jià)值的參考。