C2L3-Fusion:一种用于自动驾驶汽车的综合3D物体检测方法
Thanh Binh Ngo1, Long Ngo2, Anh Vu Phi3
1Department of Electrical and Electronic Engineering, University of Transport and Communications, Hanoi 100000, Vietnam.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
本研究介绍了C2L3-Fusion,这是一个结合YOLOv8 (2D) 和PointPillars (3D) 的新型框架,用于在自动驾驶汽车中增强3D对象检测. 融合方法显著提高了准确性和实时性能,使航行更安全.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
背景情况:
- 精确的3D物体检测对于复杂环境中自动驾驶汽车 (AV) 的安全运行至关重要.
- 现有的融合方法经常面临特征错位的挑战,影响检测准确度.
研究的目的:
- 引入C2L3-Fusion,这是一个集成YOLOv8 (2D摄像头) 和PointPillars (3D LiDAR) 的新型框架,用于改进3D对象检测.
- 为了提高空间一致性和多层次的特征聚合,以获得更高的检测性能.
主要方法:
- 开发了C2L3-Fusion,这是一个新的框架,将基于相机的2D对象检测 (YOLOv8) 与基于LiDAR的3D对象检测 (PointPillars) 融合在一起.
- 增强特征聚合和空间一致性,以克服传统聚变技术的局限性.
- 在KITTI数据集和Nvidia Jetson AGX Xavier嵌入式平台上实施和测试框架.
主要成果:
- 在KITTI数据集上实现了最先进的性能,平均平均精度 (mAP) 评分为89.91% (轻松),79.26% (中等) 和78.01% (难).
- 与独立的YOLOv8,独立的PointPillars和YoPi-CLOCs Fusion Network相比,表现出更高的性能.
- 在嵌入式硬件上保持实时性能,为实际的AV应用展示了稳定性.
结论:
- 在自主导航中,C2L3-Fusion为3D物体检测提供了强大而准确的解决方案.
- 该框架能够增强空间一致性和聚合多层次特征,从而使检测准确性得到显著改善.
- 在嵌入式平台上的成功实时实现使得C2L3-Fusion非常适合自动驾驶汽车.


