摘要: 1、研究背景(context):
车道检测是自动驾驶的重要组成部分,也是智能辅助驾驶系统的基础。在过去的几年内,自动驾驶获得了高度关注和快速发展,智能辅助驾驶系统也日渐成熟并被广泛应用。车道检测算法也逐渐从传统的检测方法转变为基于学习的方法,并得到了很大的提升。与此同时,在复杂路况下,如道路拥堵、光照天气变化等,车道检测还存在很大的挑战。
2、目的(Objective):
本文旨在对基于学习的车道检测进行调研,总结和比较已有的最先进的车道检测算法,并整理相关数据集。为车道检测的工业应用,如受到广泛关注的自动驾驶和被广泛应用的智能辅助驾驶系统,提供参考,同时也方便车道检测的学术研究。与此同时,本文提出了自己的车道检测数据集和算法,可应用于复杂路况下全道路的车道检测和高精度地图建模
3、方法(Method):
本文对车道检测的已有的数据集和算法进行了综述,主要针对基于学习的车道检测算法,并按照不同应用场景将车道检测分为三类进行总结和分析:当前车道检测,当前方向道路车道检测,所有道路车道检测。
4、结果(Result & Findings):
本文调研了KITTI,ELAS,Caltech Lanes等8个数据集,并按照不同数据集的标注类型,道路边界和道路拥堵情况,进行了总结和比较,并将车道检测分为三类:当前车道检测,同向车道检测和全路检测。我们提出的TTLane数据集包含了道路拥堵的数据,为真实复杂场景的车道线算法提供测试场景。
与此同时,本文调研了上述三类车道检测的算法和相应的应用场景。其中当前车道检测算法分为单任务(基于VGG,FPN,CNN或LSTM等的网络)和多任务算法(RBNet等),主要应用于车道偏离预警系统等。当前方向道路车道检测算法主要分为端到端的网络(SpinNet,Enet等)和分割与后处理结合的分析流程,主要应用于车道转换等场景。所有道路的车道检测算法是复杂道路,如交叉路口和车辆转弯的自动驾驶所必需的,它需要对道路的高精度地图进行建模,已有的算法需要综合利用前景图和俯视图。
基于上述调研结果,本文提出了车道检测新的运用方向:高精度地图建模,并且将建模误差减小到了0.31m。
5、结论(Conclusions):
在本次调查研究中,我们回顾了车道检测的数据集和应用领域的发展,汇总了车道检测的深度学习方法,讨论了车道检测方法的趋势,并且发现通过引入带有详细标注的数据,将会提高车道检测在复杂路况下的表现。同时,我们提出了车道检测新的应用方向:高精度地图建模,利用众包数据,无需特殊设备,即可准确建模HD地图。
我们希望这种新的数据集和方法能够为未来用于智能自动驾驶的高精度地图建模研究做出贡献。