RoadBEV: Road Surface Reconstruction in Bird's Eye View

道路路面条件，特别是几何轮廓，极大地影响自动驾驶车辆的行驶性能。基于视觉的在线道路重建有望提前捕捉道路信息。现有的解决方案，如单目深度估计和立体匹配，性能较为一般。最近的鸟瞰感知技术提供了更可靠和准确的重建潜力。本文提出了两种简单而有效的模型，用于BEV中的道路高程重建，分别命名为RoadBEV-mono和RoadBEV-stereo，它们通过单目和立体图像估计道路高程。前者根据从图像视图查询的体素特征直接拟合高程值，而后者则基于BEV体积有效地识别道路高程模式，该模式表示左右体素特征之间的差异。深入的分析揭示了它们与透视视图的一致性和差异。对真实世界数据集的实验验证了模型的有效性和优越性。RoadBEV-mono和RoadBEV-stereo的高程误差分别达到1.83cm和0.56cm。基于单目图像的BEV估计性能提高了50\%。我们的模型对于实际应用具有潜力，在自动驾驶的基于视觉的BEV感知中提供有价值的参考。代码发布在https://github.com/ztsrxh/RoadBEV。

该论文尝试解决自动驾驶中道路表面条件对车辆行驶性能的影响问题，提出了一种基于Bird's-Eye-View（BEV）感知的道路高程重建方法。

该论文提出了两种简单而有效的模型，RoadBEV-mono和RoadBEV-stereo，分别使用单目和立体图像估计道路高程。RoadBEV-mono直接基于从图像视图查询的体素特征拟合高程值，而RoadBEV-stereo则基于BEV体积识别道路高程模式。

论文的实验结果表明，RoadBEV-mono和RoadBEV-stereo的高程误差分别为1.83cm和0.56cm，其中使用单目图像的BEV感知性能提高了50%。该论文的代码已经开源，可以在github上获得。

最近在这个领域中，一些相关的研究包括：\"Monocular Depth Estimation\"和\"Stereo Matching\"。