本文提出了一种快速的车道检测算法，其将车道检测问题作为实例分割问题来解决，并使用一种基于学习的透视变换对车道进行参数化拟合，以应对车道变化。该方法既可以处理可变数量的车道，又可以处理车道变化，并在 tuSimple 数据集上取得了竞争性的结果。

Feb, 2018

介绍了语义视频数据集 Highway Driving dataset 和基于时间相关性的基线算法，提高了实时应用的语义分割效果。

Nov, 2020

本文介绍了 ONCE-3DLanes 数据集，其中包含 211K 实际道路场景的 3D 车道标注，提出了自动生成高质量 3D 车道位置的数据集注释流程，同时提供了一种新的无锚点，无外部参考的方法 SALAD 来回归图像视图中的车道 3D 坐标。此外，还提供了一个新的评估度量标准，旨在促进 3D 车道检测领域的未来研究。

Apr, 2022

本文提出了一种基于卷积神经网络 (CNNs) 的端到端系统，用于实时的车道边界识别、聚类和分类，使用了 TuSimple 数据集中 14336 个车道边界实例，并利用 8 个不同的类进行了标记。

Jul, 2019

通过无监督学习的方法，使用 LiDAR 传感器，构建了一个算法来预测 3D 场景中的实例分割，其中通过权重代理图生成 3D 实例掩模建议，并使用自我训练算法对初始嘈杂的提议进行强化，以生成场景级实例分割。在 SemanticKITTI 基准测试中，该方法相较于最佳基准模型获得了 13.3% 的平均准确率和 9.1% 的 F1 分数提升。

Mar, 2024

本文提出了一种基于车载摄像头图像的道路布局推断模型，同时构建了一个路况数据集，可以将导航地图的元数据与 Google 街景图像匹配以提供标签，并利用深度卷积网络训练该模型，结果表明该方法可用于提升基础设施安全性。

Nov, 2016

通过引入道路区域分割数据集（R2S100K），本研究提出了一种以结构不良的道路为特点的大规模数据集和评估基准来训练和评估道路分割，以提高自主驾驶的安全性和普适性。通过使用半监督学习方法，可以利用这些未标记的图像数据，结合快速高效的数据采样（EDS）自训练框架，进一步提高模型的学习效果，减少语义分割任务的标记成本。

Aug, 2023

本文介绍了一种将图像和预先构建的点云地图信息融合的方法来自动且准确地标记诸如道路、人行道、人行横道和车道等静态地标，并展示了该模型可以预测大部分道路特征并可以扩展用于自动将道路特征纳入高清地图。

Jun, 2020

本文提出了一种无监督的 3D 车道分割方法，通过利用激光雷达点云帧上车道的独特强度，在 2D 平面上投影 3D 点来获取嘈杂的车道标签；同时，利用自监督的预训练模型，矫正车道标签并训练学生网络实现任意目标车道（例如，TuSimple）的无人工标签检测，通过对 TuSimple、CULane、CurveLanes 和 LLAMAS 等四个主要车道检测基准进行评估，证明了优于现有监督方法的卓越性能，并且在减小领域差异方面具有更好的效果，即在 CULane 上训练，TuSimple 上测试。

Apr, 2024

本研究旨在探索和确定在高度动态的城市驾驶场景下确定 2D 和 3D 的道路拓扑信息的策略。为了促进这一探索，我们引入了一个庞大的数据集，包含近 100 万个自动标记的数据帧。我们的研究的一个重要贡献在于开发了一个自动生成标签的过程和一个遮挡处理策略，该策略旨在模拟从轻微的中断到严重的阻塞的各种遮挡场景。此外，我们进行了全面的消融研究，开发和评估了多种中心线检测方法。这种分析不仅评估了各种方法的性能，还提供了宝贵的对这些方法可解释性的见解。最后，我们演示了我们的方法的实用性，并评估了它们在不同传感器配置下的适应性，突出了它们在实际场景中的多功能性和相关性。我们的数据集和实验模型是公开可用的。

Nov, 2023