5月15日,由全球机器人和自动化领域的顶级学术会议ICRA 2024(International Conference on Robotics and Automation)举办的RoboDrive竞赛公布结果。
由北京航空航天大学交通科学与工程学院无人驾驶运输团队陈鹏老师和周彬老师指导,交通科学与工程学院硕士生王子岩、袁晨栋、李世龙,博士生杨松岳、刘文韬,生物与医学工程学院硕士生李持惟组成的“BUAATRANS”团队获得鲁棒深度估计赛道亚军和比赛创新奖提名。
![](/__local/E/BF/57/BA7A0482B4D622A1219312A8F6F_DEE4EF5A_10D24A.png)
![](/__local/7/FB/0D/A0707D64E8B42A223C32FE5BBCC_EB57800B_F8722.png)
本届挑战赛吸引了来自全球 11 个国家、93 个机构的共 140 支队伍参赛。参赛队伍涵盖了由高校、工业界、科研实验室以及混合组队等方式组成的共两百余名参赛者。
在历时近 3 个月的激烈竞争后,本届 RoboDrive 挑战赛从 140 支来自全球的队伍中精选出了 15 支优胜队伍。这些队伍不仅展示了技术上的卓越,也体现了跨学科合作的力量。
比赛使用的数据集是行业内第一批充分覆盖多种复杂现实场景的公开数据集,因而比赛结果对于衡量参赛模型是否具备成熟的落地条件,具有权威的参考价值。
![](/__local/7/12/39/43B3D09D14314DEB90B0A6F9562_3DCE603D_14607.png)
![](/__local/D/77/CC/F0171452B6D7246058CDC4215AA_38A98A44_1697A.jpg)
获奖项目展示
![](/__local/C/4A/D7/10B24AA6EBB0CF25051B8EA861E_D77F564B_68A38.png)
主要针对单目深度估计任务,通过设计多分支网络和设计特殊数据增强的方式提高深度估计模型在复杂数据(OoD)上的鲁棒性。
BUAATrans 团队开发了一种名为 FFASDepth 的新型多分支网络架构。该架构使用 DINOv2 和 ResNet 作为骨干来执行多尺度特征提取。引入了一种新颖的基于信道注意的融合技术,将输入图像作为嵌入向量。这样就能有效地重新分配和融合两个分支的特征。此外,还采用了半监督学习增强技术,即 CutFlip 和 AugMix。通过结合这些创新策略,FFASDepth 极大地提高了深度估计模型的鲁棒性,确保在各种具有挑战性的环境中实现更可靠的性能。这些实验和探索为深度估计任务的研究提供了新思路和方法。
![](/__local/5/DB/48/B999510FFA1F7CE46FBB051670A_93D04819_28DF6.png)
主办方评委对该项目创新性进行了高度评价:
“该团队引入了跨尺度深度估计(FusingFeatures Across Scales DepthEstimation [FFASDepth])框架,该框架具有多分支网络架构和先进的数据增强功能。”
![](/__local/9/3E/CC/CFD6BA07B19DFFF391D0EF5E81F_70407756_35E88.png)