[论文解读] Detecting Drivable Area for Self-driving Cars: An Unsupervised Approach

Ziyi Liu, Siyu Yu+2 more|arXiv (Cornell University)|May 1, 2017

Autonomous Vehicle Technology and Safety参考文献 15被引用 14

一句话总结

本文提出了一种无监督的传感器融合方法，通过结合单目相机图像与3D-LiDAR点云，实现自动驾驶汽车中可行驶区域的检测。该方法利用方向射线图与基于超像素的初始分割，随后通过信念传播进行马尔可夫网络推理，融合多层次特征，在ROAD-KITTI基准上实现最先进性能，且无需训练或强假设。

ABSTRACT

It has been well recognized that detecting drivable area is central to self-driving cars. Most of existing methods attempt to locate road surface by using lane line, thereby restricting to drivable area on which have a clear lane mark. This paper proposes an unsupervised approach for detecting drivable area utilizing both image data from a monocular camera and point cloud data from a 3D-LIDAR scanner. Our approach locates initial drivable areas based on a "direction ray map" obtained by image-LIDAR data fusion. Besides, a fusion of the feature level is also applied for more robust performance. Once the initial drivable areas are described by different features, the feature fusion problem is formulated as a Markov network and a belief propagation algorithm is developed to perform the model inference. Our approach is unsupervised and avoids common hypothesis, yet gets state-of-the-art results on ROAD-KITTI benchmark. Experiments show that our unsupervised approach is efficient and robust for detecting drivable area for self-driving cars.

研究动机与目标

• 解决在缺乏车道线或车道线不可靠的复杂、未标记的城市与乡村道路中检测可行驶区域的挑战。
• 通过融合互补的数据源，克服单目视觉对光照敏感的局限性以及稀疏LiDAR细节不足的问题。
• 开发一种鲁棒且可泛化的算法，避免强假设、训练或人工标注，以提升真实场景中的部署能力。
• 检测除铺装路面外的平坦可行驶表面，如草坪和过渡区域，从而在紧急情况下提升安全性。

提出的方法

• 使用Delaunay三角剖分融合单目图像数据与3D-LiDAR点云，以建模空间关系并分类障碍物点。
• 通过图像-LiDAR融合生成“方向射线图”，识别初始可行驶区域，利用超像素作为基本处理单元，以提升效率并增强边界贴合度。
• 应用超像素分割（Sticky Edge Adhesive Superpixels）将密集颜色信息与稀疏深度数据相结合。
• 从初始区域学习四种不同特征——颜色、强度、层级与法向量，以在特征层面描述可行驶区域。
• 将特征融合建模为马尔可夫网络，并使用信念传播算法进行推理，以稳健地融合特征。
• 使用初始分割（S_int）作为先验来估计模型参数，实现无需标注数据的自学习。

实验结果

研究问题

• RQ1 在无车道线、环境多变的城市与乡村环境中，是否可以不依赖车道线或训练数据，准确检测可行驶区域？
• RQ2 无监督融合单目图像与LiDAR数据在提升对光照变化与场景复杂性的鲁棒性方面效果如何？
• RQ3 基于信念传播的特征融合在性能上相较于单特征或基线方法提升程度如何？
• RQ4 该方法在不同道路类型与条件下如何泛化，特别是在真实标签定义为“道路”但系统检测更广泛的“可行驶”区域时？
• RQ5 无监督方法是否能在ROAD-KITTI等基准数据集上达到与有监督方法相当的最先进性能？

主要发现

• 所提出的无监督方法在ROAD-KITTI基准上实现最先进性能，URBAN数据集上AP为89.00，UMM数据集上AP为93.87，优于有监督方法如HybridCRF与MixedCRF。
• 在UU子集上，该方法AP为84.97，MaxF为83.20，表明其在多样化且具有挑战性的城市场景中具备强大泛化能力。
• 通过信念传播进行特征融合，相比基线方法，MaxF提升10.5个百分点，AP提升11.3个百分点，PRE提升11.2个百分点，充分证明其有效性。
• 该方法在URBAN数据集上实现高召回率（91.83%）与低FNR（8.17%），表明对可行驶区域覆盖良好，尽管因包含非道路平坦表面导致FPR偏高。
• 初始分割（S_int）在召回率（96.25%）与低FNR（3.75%）方面表现优异，验证其作为参数估计可靠先验的有效性。
• 尽管为无监督方法，该方法在所有指标上均表现具有竞争力，尤其在UMM与UU子集中FPR与PRE最优，证实其鲁棒性与泛化能力。