在自動駕駛中，基于立體視覺的深度估計技術可以幫助準確估計障礙物的距離，這對于正確的車輛路徑規(guī)劃至關重要。

立體深度估計問題已被公式化為具有卷積神經網絡的深度學習模型。但是，這些模型需要大量的后處理，并且不具有對不適定區(qū)域或新場景的強大適應能力。另外，由于在實際情況下難以標注真實地面深度，因此該系統(tǒng)的訓練數(shù)據受到限制。

由中國科學院深圳先進技術研究院(SIAT)的張切石博士領導的研究團隊提出了一種新的技術解決方案，以解決當前自動駕駛的深度估計問題。

研究人員提出了一種自我改進的金字塔立體網絡，該網絡可以直接獲得回歸視差而無需復雜的后處理，并且在不適定區(qū)域具有強大的魯棒性。

此外，通過在線學習，提出的模型不僅可以解決數(shù)據限制問題，而且可以節(jié)省實踐中在培訓和硬件資源上花費的時間。同時，它具有對新場景的自我完善能力，可以根據測試數(shù)據及時及時調整，提高了預測的準確性。

實驗和基準測試表明，所提出的網絡可以實現(xiàn)深度估計，錯誤率為8.3%。

該研究發(fā)表在IET智能交通系統(tǒng)上。