Die 3D-Spurerkennung ist ein wesentlicher Bestandteil autonomer Fahrzeugsysteme. Frühere Methoden, die auf CNNs (Convolutional Neural Networks) und Transformatoren basieren, generieren in der Regel zunächst eine Vogelperspektiv-Karte (Bird’s-Eye-View, BEV) aus dem Frontbild und verwenden dann ein Unter-Netzwerk mit dieser BEV-Karte als Eingabe, um 3D-Spuren zu erkennen. Solche Ansätze erfordern eine explizite Sichttransformation zwischen der BEV-Perspektive und der Frontansicht, was selbst noch ein herausforderndes Problem darstellt. In diesem Artikel schlagen wir CurveFormer vor, eine einstufige Transformer-basierte Methode, die 3D-Spurparameter direkt berechnet und den schwierigen Schritt der Sichttransformation umgeht. Insbesondere formulieren wir die 3D-Spurerkennung als Kurvenausbreitungsaufgabe durch die Verwendung von Kurvenanfragen. Eine 3D-Spuranfrage wird durch eine dynamische und geordnete Menge von Ankerpunkten dargestellt. Auf diese Weise verfeinern Kurvenanfragen im Transformer-Dekoder iterativ die Ergebnisse der 3D-Spurerkennung. Darüber hinaus wird ein Modul zur Kurvenkreuzaufmerksamkeit eingeführt, das die Ähnlichkeiten zwischen Kurvenanfragen und Bildmerkmalen berechnet. Zudem stellen wir ein Kontextabtastungsmodul bereit, das mehr relative Bildmerkmale einer Kurvenanfrage erfassen kann, um die Leistung der 3D-Spurerkennung weiter zu verbessern. Wir evaluieren unsere Methode für die 3D-Spurerkennung sowohl an synthetischen als auch an realen Datensätzen, und die experimentellen Ergebnisse zeigen, dass unsere Methode im Vergleich zu den aktuellen Stand-der-Technik-Ansätzen vielversprechende Leistungen erzielt. Die Effektivität jeder Komponente wird durch Ausfallstudien bestätigt.请注意，这里“法语”应为“德语”，已根据您的要求进行了翻译。