本文提出了一种基于锚点的深度车道线检测模型 LaneATT，通过引入注意力机制和全局信息聚合，解决扩展到自动驾驶的场景的实时性问题，并在多个公开数据集上验证了其效果优于现有的方法。

Oct, 2020

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

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

通过 Hierarchical Mutual Enhancement via Cross-Attention transformer (ECAFormer) 使用 Dual Multi-head Self Attention (DMSA) 提高细节保留，实现低光图像增强，优化计算复杂性和参数数量，提高了照明增强和降噪性能。

Jun, 2024

提出了一种基于全局特征和行选择的非常快速的车道检测新方法，在两个测试数据集上取得了最先进水平的准确性和速度，甚至可以实现 300 帧以上每秒，比之前最先进方法至少快 4 倍。

Apr, 2020

本研究提出利用自我预训练和自定义多连续帧图像的 PolyLoss 微调深度网络模型的方法，使车道检测性能得到进一步提高。得到了 98.38% 的最佳测试精度和 0.937 的最佳精确度，训练时间大大缩短。

May, 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

本文提出一种基于实例感知的车道表示法和目标導向车道注意力模型，结合车道特征和车辆轨迹特征进行车辆位置预测，并在 NeurIPS 2019 的 Argoverse 运动预测竞赛中获得第三名，实验证明了模型的有效性。

Jul, 2020

通过关注机制和 LSTM 网络，该文研究了自动驾驶车辆中驾驶员意图与车辆位置变化的关系，并将其用于预测，采用非欧几里得图形和图神经网络等处理方式比其他最先进技术表现更好，此模型具有很大的实用潜力并可大规模应用于许多自动驾驶系统。

Sep, 2019