ORFD：面向非道路自由空间检测的数据集与基准测试

自由空间检测是自动驾驶技术中的关键组成部分，在轨迹规划中发挥着重要作用。在过去十年中，基于深度学习的自由空间检测方法已被证明具有可行性。然而，这些研究主要集中在城市道路环境，由于缺乏适用于非道路场景的基准数据集，针对非道路环境的自由空间检测，尤其是基于深度学习的方法仍十分有限。本文提出ORFD数据集，据我们所知，这是首个面向非道路环境的自由空间检测数据集。该数据集采集于多种场景（林地、农田、草地和乡村），涵盖不同天气条件（晴天、雨天、雾天和雪天）以及不同光照条件（强光、白天、黄昏和黑暗），共包含12,198对LiDAR点云与RGB图像，并对可通行区域、不可通行区域和无法到达区域进行了详细标注。为此，我们提出一种新型网络结构——OFF-Net，该网络融合Transformer架构，有效聚合局部与全局信息，以满足自由空间检测任务对大感受野的需求。同时，我们设计了跨注意力机制，实现LiDAR点云与RGB图像信息的动态融合，从而提升非道路环境下自由空间检测的精度。相关数据集与代码已公开，获取地址为：https://github.com/chaytonmin/OFF-Net。