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

本文提出了一种基于深度学习的车道检测方法，名为 LaneNet，其将车道检测分为车道边界提议和车道线定位两个步骤，以检测车道线为目标，具有较高的运行速度和低计算成本，得到了出色的表现.

Jul, 2018

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

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

介绍了一种基于深度学习方法的端到端车道检测和分类系统，旨在解决在极端光照条件、看不清车道标记和车道标记稀疏等具有挑战性场景下的车道检测问题，并通过深度学习模型的微调和 CNN-based 分类分支的介入来实现车道类型的识别。该系统在 TuSimple dataset、Caltech lane dataset 和自己精心筛选的 LVLane dataset 上进行了实验验证，取得了优秀的检测和分类结果。

Jul, 2023

通过新的弹性交互能量引导车道检测网络（ElasticLaneNet）框架，采用隐式表示的新颖灵活方式，以及基于弹性交互能量的损失函数（EIE loss）引导下的训练策略，结合辅助特征细化模块（AFR），该方法在复杂车道场景中表现出色，并在三个数据集上取得了优秀的性能结果，包括结构多样性数据集 SDLane 上的 F1 分数 89.51，召回率 87.50 和精确度 91.61。

Dec, 2023

为了解决在自动驾驶应用中的实时车道检测任务中精确度和速度之间的平衡问题，我们介绍了 CLRKDNet，这是一个能够在保持检测精度的同时提供实时性能的简化模型。通过简化模型结构并引入新的蒸馏方法和蒸馏损失函数，我们实现了多达 60% 的推理时间减少以及与 CLRNet 相媲美的检测精度，从而在自动驾驶应用的实时车道检测任务中提供了一种切实可行的解决方案。

May, 2024

本研究提出了一种使用前向摄像头图像输入并且通过深度多项式回归输出表示每个车道标记的多项式的车道检测新方法，该方法在保持效率的同时，能够在 TuSimple 数据集上竞争现有最先进方法，并在两个其他公共数据集上呈现广泛的定性结果和方法局限性。

Apr, 2020

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