在露天采矿中进行自动驾驶的视觉基准
IEEE transactions on pattern analysis and machine intelligence
|November 13, 2025
概括
本研究介绍了采矿环境中自动驾驶的综合数据集和基准,解决了关键数据缺口. 它使得更广泛的算法验证和采矿操作的智能运输研究成为可能.
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
- 自主系统 自主系统
背景情况:
- 智能汽车在城市自主任务中表现出色,这是由于丰富的数据和先进的算法.
- 对于采矿环境中的自动驾驶场景,存在严重的数据稀缺性,阻碍了进展.
- 以前像AutoMine这样的数据集的范围有限,限制了对各种任务的算法验证.
研究的目的:
- 为了解决矿山环境中自动驾驶的数据缺口.
- 扩大视觉任务的范围,超越物体检测和车道检测.
- 在采矿场景中建立基准和基线来评估算法.
主要方法:
- 策划了一个多样化的数据集,涵盖了采矿环境中的多个自动驾驶任务 (检测,细分,跟踪).
- 开发了用于将注释数据转换为与现有数据集兼容的标准化格式的工具.
- 建立基准和设定基准来评估算法性能.
主要成果:
- 通过将算法性能与其他场景进行比较,证明了采矿地区的独特特征.
- 为培训和验证更广泛的采矿应用算法提供了基础.
- 促进了不同环境中视觉算法的比较分析.
结论:
- 新的数据集和基准对于推动采矿领域的自动驾驶和无人操作至关重要.
- 这项工作支持未来针对专业环境的智能运输系统的研究.
- 调查结果强调了人工智能在采矿行业的独特挑战和机遇.


