上海人工智能实验室自动驾驶团队原作解读OpenLane：大规模真实场景3D车道线数据集

自动驾驶行业蓬勃发展，而其中的辅助驾驶系统 (ADAS) 或者 L2 到 L4 的驾驶场景都需要提供一些车道线检测功能如 Automated Lane Centering (ALC) 和 Lane Departure Warning (LDW)。这其中的核心模块就是一个鲁棒的，泛化性能好的车道线检测器。而随着深度学习的不断演进，2D 车道线检测已经有了较为成熟的做法。但是 2D 车道线其实是无法满足工业界的真正需求，主要体现在两点。

1. 下游的规控模块需要车道线检测发生在鸟瞰图视角（BEV），而仅作简单的前视图到鸟瞰图的投影会极大依赖于相机参数，而这在实际场景中是很难获取到准确的真值。

2. 车道线的高度信息在投影过程中占有很重要的地位，尤其是在上下坡场景中，高度信息会极大的影响投影质量，而之前的投影做法是在水平路面的假设上进行的。而目前市面上缺少一个带高度信息的车道线数据集。

针对这些问题，上海人工智能实验室自动驾驶团队的研究员分别提出了 PersFormer（Perspective Transformer）一种端到端的单目 3D 车道线检测器，和大规模真实场景 3D 车道数据集——OpenLane。

分享主题：OpenLane——大规模真实场景 3D 车道线数据集

分享嘉宾：司马崇昊，上海人工智能实验室自动驾驶团队青年研究员，主要研究方向为计算机视觉在自动驾驶领域的应用，包括 3D 感知，道路结构认知等。本科毕业于华中科技大学。

分享摘要：

传统的单目 2D 车道检测方案在自动驾驶的跟踪规划和控制任务中性能较差；3D 车道检测方案在前视图和鸟瞰视图（BEV）之间的空间转换设计过于简单，并且缺乏真实的数据，在复杂场景下不适用。针对这些问题，团队提出了 PersFormer (Perspective Transformer)：一种端到端的单目 3D 车道线检测器，其中有一个基于 Transformer 的空间特征转换模块。模型以相机参数为参考，通过关注相关的前视图局部区域来生成 BEV 特征。同时，在该论文中发布了业内第一个大规模真实场景 3D 车道数据集——OpenLane，具有高质量的注释和场景多样性。该数据集基于自动驾驶领域的主流数据集 Waymo Open Dataset 构建。OpenLane 包含 20 万帧、超过 88 万条实例级车道、14 个车道类别（单白色虚线、双黄色实体、左/右路边等），以及场景标签和路线邻近目标（CIPO）注释，以鼓励开发 3D 车道检测和更多与产业相关的自动驾驶方法。

相关链接：

1、PersFormer

论文地址: 

https://arxiv.org/abs/2203.11089

项目地址: 

https://github.com/OpenPerceptionX/PersFormer_3DLane

2、OpenLane

论文地址: 

https://arxiv.org/abs/2203.11089

项目地址: 

https://github.com/OpenPerceptionX/OpenLane

加群看直播

直播间 ： 关注机器之心机动组视频号，北京时间 9 月 23 日 19:00 开播。

交流群： 本次直播设有 QA 环节，欢迎加入本次直播交流群探讨交流。

如群已超出人数限制，请添加机器之心小助手：syncedai2、syncedai3、syncedai4 或 syncedai5，备注「OpenLane」即可加入。

如果你也有最新工作希望分享或提交你感兴趣的内容方向，随时告诉我们吧： https://jiqizhixin.mikecrm.com/fFruVd3

机器之心 · 机动组

机动组是机器之心发起的人工智能技术社区，聚焦于学术研究与技术实践主题内容，为社区用户带来技术线上公开课、学术分享、技术实践、走近顶尖实验室等系列内容。 机动组也将不定期举办线下学术交流会与组织人才服务、产业技术对接等活动，欢迎所有 AI 领域技术从业者加入。