Una encuesta sobre la detección de objetos 3D en tiempo real para la conducción autónoma

Esta encuesta revisa los avances en los enfoques de detección de objetos 3D para la conducción autónoma. Primero se discute una breve introducción a la detección de objetos en 2D y se identifican las desventajas de las metodologías existentes para entornos altamente dinámicos. Posteriormente, este documento revisa las técnicas de detección de objetos 3D de última generación que utilizan visión monocular y estereoscópica para una detección confiable en entornos urbanos. Basado en el fundamento de inferencia de profundidad, esquemas de aprendizaje y representación interna, este trabajo presenta una taxonomía de métodos de tres clases: enfoques basados en modelos y restringidos geométricamente, metodologías de aprendizaje de extremo a extremo y métodos híbridos. Se destaca un segmento para la tendencia actual de detectores multivista como métodos de extremo a extremo debido a su robustez mejorada. Se seleccionaron especialmente detectores de los dos últimos tipos para explotar el contexto de conducción autónoma en términos de geometría, contenido de escena y distribución de instancias. Para demostrar la efectividad de cada método, se describen conjuntos de datos de detección de objetos 3D para vehículos autónomos con sus características únicas, p. ej., condiciones climáticas variables, multimodalidad, perspectiva de múltiples cámaras y sus respectivas métricas asociadas a diferentes categorías de dificultad. Además, incluimos conjuntos de datos visuales multimodales, es decir, V2X que pueden abordar los problemas de oclusión de vista única. Finalmente, se resumen las tendencias actuales de investigación en detección de objetos, seguidas de una discusión sobre el posible alcance para futuras investigaciones en este dominio.