本文提出了一个基于深度学习和结构引导的车道检测框架，采用实例分割表示车道，使用自上而下的消失点引导机制，并引入多层结构约束，在公开基准数据集上表现优于现有方法。

May, 2021

本文提出了 SwiftLane 算法，这是一个采用端到端深度学习框架、基于行分类的轻量级车道检测方法，同时加入假阳性抑制算法和曲线拟合技术，实现了较高的检测准确率和每秒 411 帧的推理速度。此外，在使用 TensorRT 优化后的 Nvidia Jetson AGX Xavier 嵌入式系统上也可以实时检测车道，其推理速度为每秒 56 帧。

Oct, 2021

本文提出了一种新型的卷积模型用于车道检测，并采用特定训练方法，使其能够适应各种天气和照明环境，达到和竞争对手相当的检测准确度，并以 90 FPS 的速度运行。

May, 2019

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

提出了一种结合 LiDAR 和相机传感器的深度神经网络，可以在 3D 空间中直接估计车道边界，在高速公路和城市道路等复杂情境下取得了很高准确度，解决了自动驾驶中车道检测精度不足的问题。

May, 2019

我们提出了一个简单、快速且端到端的检测器，旨在提高三维车道检测的效率，同时保持高的检测精度。我们的方法采用基于行级别分类的全卷积头部，支持识别垂直和水平车道，并首次在鸟瞰图中进行行级别分类。我们将特征分为多组，并且每组特征对应一个车道实例。通过使用单盈余一对一匹配将预测结果与车道标签相关联来计算损失，在推理过程中不需要后处理操作。我们的全卷积检测器 ConvNext-Base 作为骨干网络，在三个真实世界的三维车道基准 OpenLane、Once-3DLanes 和 OpenLane-Huawei 上进行评估，在 OpenLane 验证集中，GroupLane 的 F1 得分比最先进的 PersFormer 高出 13.6%，而使用 ResNet18 的 GroupLane 的 F1 得分仍然高于 PersFormer 4.9%，同时推理速度快近 7 倍，而 FLOPs 仅为其 13.3%。

Jul, 2023

使用深度学习和卷积神经网络技术，通过二元分割和亲和力场相结合的方法，实现自动驾驶车辆的车道检测，能有效应对车道数量变化和车道变换情况。

Mar, 2024

本文提出了一种端到端的车道标线检测方法，利用分类任务代替传统的像素级密集预测任务，并使用一种新颖的层来压缩水平分量，通过简单的测试时间操作实现车道标线位置的直接预测，实验结果证明该方法在 TuSimple 和 CULane 数据集上具有与或优于现有技术。

May, 2020

FOLOLane 是一种基于本地模式建模实现自底向上预测全局结构的新型车道标线检测解决方案，通过两个分别预测车道关键点存在及位置的卷积神经网络模型来进行低复杂度本地模式建模，在同时实现实时处理的基础上，充分利用了有限的特征视野和局部车道标线有限的几何变化，融合了本地信息，并在公开数据集上取得了最优结果。

May, 2021

本论文提出了一种利用卷积神经网络模块和循环神经网络模块相结合的深度神经网络架构，以处理在单一图像中无法精确检测车道的情况，并将连续多个时间序列的 CNN 特征输入到 RNN 训练模型中，以成功预测车道。

Mar, 2019