【论文阅读】3D-LaneNet

【论文阅读】3D-LaneNet

主要要做的事情就是 lane detection。这里提一下 BEV（Bird‘s Eye View） 感知算法，为了将 2D 图像映射到 3D 空间中，能够更准确的检测物体位置，需要 BEV 感知的结果。后续还会继续了解这方面内容。

文章提出的方法就是在图片上预测车道线。

这个方法应该是第一个非启发式的方法，是直接通过图像（单目深度估计）去学习的方法。而且它是一种基于 anchor 做匹配的方法。

首先基于”平地面假设“【假设1】，即假设当前的路面切平面为路面，可以更方便做映射。

在相机和地面的坐标（系）转换中，可以把相机的外参当作是三个——距离地面的垂直高度 H_cam，竖直和水平方向旋转角（pitch，roll）。

在这篇文章中，假设 roll 角的角度为零【假设2】，只用到了pitch角度。

已知相机高度 h 和 pitch 角度，可以求出相机坐标系 C_cam 向路面坐标系 C_road 的转换 T_c2r。这里用到的方法叫做 IPM（Inverse perspective mapping），逆透视变换。

看一下整体的网络框架：

网络是双通道的结构。

1. image-view 通道，加入了 H_cam 和 pitch 去提取 image 特征，同时最后学习到 h 和 pitch 做逆透视变换。

2. top-view 通道，这个视图是虚拟的，用来提取 BEV 空间的特征，最后进行车道线的预测。

3. 连接两个通道的是 Projective transformation layer，将 image feature map 通过 IPM 转换成 BEV 空间俯视图之后，通道数不变直接和 top-view feature map 做 concate。

然后文章还用了一种基于 anchor 的匹配的方法，作为检测子。

首先，因为 车道线是在 top-view 视图下预测的，沿 x 方向均匀划分一些anchors。anchor 和 gt（ground truth）车道线要进行匹配。在这里，我们要预测的车道线 gt 一共有两种，一种是 lane centerlines（车道中心线），另一种是 lane delimiter（车道边界线）。

上图中，左边和中间两列是 centerlines 的预测，右边一列是 delimiter 的预测。

然后，对于 y 方向的 Y_ref，求出 gt 与 Y_ref 的交点，将每个 gt 归属于距其最近（交点的 x 方向距离最小）的anchor。使用非极大值抑制的方法。

这里假设 gt 与 Y_ref 是会有交点的【假设3】，这会导致过短的车道线无法被检测到。

对于每个anchor，记录它匹配到的 gt。delimiter 不会相交，但是centerlines 可能会。每个 anchor 最多会匹配到两个 centerlines （即当两条 centerlines 在 Y_ref 上相交时，如图右侧）。因此对每个 anchor 需要记录三个信息*（c1，c2，d）*，其中，匹配到的左边的 gt 作为 c1。

如下图所示：

最终车道线预测的输出维度是：

3 是指有三个预测的 type（c1，c2，d）；每个anchor 有 K 个点，对于每个点，预测其*（x 横向偏移，z 深度）*；还有一个当前 gt 应该匹配到该 anchor 上的置信度 p^。anchors 的个数为 N。

最后，看一下损失函数的设计：

第一项是分类置信度的 CE 损失，第二项是横向偏移 x^ 和深度 z^ 的 L1 回归损失。后两项是 image-view 预测的相机外参 H_cam 和 pitch 角度的 L1 损失。

训练的流程就是线通过相机外参和已知的相机内参，包括像素和物理距离缩放尺度等计算出 C_road 坐标系，再将 gt 车道线转换到 C_road 的平面上。最后对其最近的 anchor 进行匹配。

总的来说，这篇文章提出的车道线检测的假设条件还是过于理想，泛化性能还有待进一步的提升。