Récemment, 3D algorithmes de détection d'objets basés sur la fusion radar et caméra
ont montré d'excellentes performances, préparer le terrain pour leur application dans
tâches de perception de la conduite autonome. Les méthodes existantes se sont concentrées sur le traitement
avec un désalignement des fonctionnalités causé par l'écart de domaine entre le radar et la caméra.
Cependant, les méthodes existantes négligent l'interaction des caractéristiques intermodales
pendant l'alignement ou ne parviennent pas à aligner efficacement les entités au même niveau spatial
localisation selon les modalités. Pour atténuer les problèmes ci-dessus, nous proposons un nouveau
modèle d'alignement appelé Radar Camera Alignment (RCAligner). Spécifiquement, nous
concevoir un alignement à double itinéraire (DRA) module basé sur l'apprentissage contrastif pour
aligner et fusionner les fonctionnalités entre le radar et la caméra. De plus, considérant le
rareté des fonctionnalités du radar BEV, une amélioration des fonctionnalités du radar (RFE) le module est
proposé d'améliorer la densification des caractéristiques du radar BEV avec la connaissance
perte de distillation. Les expériences montrent que RCAlign atteint un nouvel état de l'art sur
la référence publique nuScenes en matière de fusion de caméras radar pour la détection d'objets 3D.
En outre, le RCAlign réalise un gain de performance significatif (4.3\% NDS et
8.4\% carte) en détection 3D en temps réel par rapport au dernier état de l'art
méthode (RCBEVDét).

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: