Map-aided annotation for pole base detection

自主导航中，高清地图是一种广泛使用的信息来源。在高清地图中编码的类似杆子的特征，如交通标志、交通灯或街灯，可以用作定位的地标。为此，车辆首先需要使用其嵌入式传感器检测到它们。虽然几何模型可以用于处理由激光雷达传感器获取的3D点云，但现代基于图像的方法依赖于深度神经网络，因此严重依赖于注释的训练数据。本文使用2D高清地图自动注释图像中的类似杆子的特征。在没有高度信息的情况下，地图特征被表示为地面级别的杆底。我们展示了如何使用额外的激光雷达传感器来过滤掉被遮挡的特征并改进地面投影。我们还演示了如何训练一个物体检测器来检测杆底。为了评估我们的方法，首先使用从语义分割手动注释的数据进行验证，然后将其与我们自己在法国康皮涅市记录的自动生成的注释数据进行比较。勘误：在原始版本[1]中，对所研究的不同模型的准确度评估出现了错误，并且应用于检测结果的评估方法没有清晰地定义。在本次修订中，我们对这一部分进行了更正，提供了更新的结果，特别是在平均绝对误差（MAE）方面。

论文试图利用高清地图中的pole-like features自动标注图像中的这些特征，以实现自主导航。同时，论文也尝试解决了在没有高度信息的情况下如何表示这些特征的问题。

论文的关键思路是使用2D高清地图中的pole-like features作为图像中这些特征的标注，并使用lidar传感器进行过滤和优化。同时，论文还使用目标检测器训练来检测pole-like features。

论文使用自动化的方法标注pole-like features，并在Compiègne, France进行了实验验证。此外，论文还使用lidar传感器进行了优化，并对检测结果进行了评估。值得深入研究的是，论文提出的方法可以在没有高度信息的情况下进行标注，这在之前的研究中尚未被解决。

最近的相关研究包括使用深度学习方法进行目标检测，以及使用高清地图进行自主导航。其中，与本文最相关的研究包括：'Deep Learning for Object Detection: A Comprehensive Review'和'High-Definition Maps for Autonomous Vehicles'。