摘要
视觉基础模型（VFMs）能够生成高质量的2D实例掩码，但其生成的伪点云存在尺度模糊、结构噪声和时间不一致性问题，这限制了它们在3D标注中的应用。现有的自动标注方法要么依赖于昂贵的光检测和测距（LiDAR）传感器，要么无法在动态的路边场景中保证物理合理性。本研究提出了一种无需LiDAR的雷达-视觉自动标注框架，该框架利用毫米波雷达轨迹与视觉伪点云之间的跨模态时空一致性来自我校正3D几何信息。该方法首先将雷达点、2D掩码和伪点云关联到以对象为中心的序列中；然后，一个具有不确定性感知能力的姿态融合模块结合了基于运动和结构的方向信息，并利用自动求解的道路先验进行融合；最后，通过在时间上一致的掩码中优化稳定的语义地标来在规范空间中对伪点云进行细化，并将这些校正结果全局传播。在真实世界的路边数据集上进行评估时，该方法实现了49.1%的鸟瞰视图（BEV）交并比（IoU）和43.0%的3D IoU，比雷达-相机融合基线方法提高了5.5/5.9个百分点。后续实验进一步表明，在所评估的检测器配置下，生成的伪标签和语义增强效果是有效的，而更广泛的验证工作仍需未来完成。
