CVPRMar, 2022

面向驾驶度量学习的车道检测模型

PDF
TL;DR本研究提出 2 种针对自动驾驶的车道检测指标：端到端横向偏移度量（E2E-LD）和基于 E2E-LD 的基于帧的模拟横向偏移度量（PSLD），并在多个数据集上进行了实证研究。结果表明，传统度量与 E2E-LD 具有较强的负相关性，并可能会导致过度拟合于传统度量标准，而不是在实际应用中表现更好。因此，该研究旨在帮助社区实现更多面向下游应用的车道检测模型评估。
lane detectionautonomous drivingmetricsdatasetevaluation
发现论文，激发创造
  • 朝向端到端的车道检测：一种实例分割方法

    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

  • Bench2Drive：闭环端到端自主驾驶的多能力基准测试

    自动驾驶技术正逐渐进入一个转折点，在数据驱动的方式下，通过端到端自动驾驶 (E2E-AD) 可扩展性，已经出现了一个具备变革性潜力的时代。然而，现有的 E2E-AD 方法主要是通过开环日志重放方式进行评估，使用 L2 误差和碰撞率作为度量标准，但这无法充分反映算法的驾驶表现。为了满足全自动驾驶 (FSD) 的全面、真实和公平的测试环境的首要需求，我们提出了 Bench2Drive，这是第一个在闭环方式下评估 E2E-AD 系统多项能力的基准测试。

    Jun, 2024

  • 利用相机和激光雷达数据进行自监督模仿学习的端到端驾驶

    该论文提出了第一种无监督学习框架 self-supervised imitation learning (SSIL)，该框架可以在没有使用驾驶命令数据的情况下学习 E2E 驾驶网络，并且与监督学习对照组具有可比较的 E2E 驾驶准确性。

    Aug, 2023

  • 基于可微分最小二乘拟合的端到端车道检测

    本文提出了一种利用端到端的方式，通过直接回归车道线参数来训练车道检测器，利用堆叠的深度网络生成的每个车道线的分割权重图与可微的最小二乘拟合模块来进行训练，并且通过观察到拟合算法可以反向传播，实现了端到端的训练方法，从而避免了引入流程中的不确定性。

    Feb, 2019

  • 车道检测的多层域适应

    本研究提出了多层领域自适应（MLDA）框架，通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测，以识别车道形状和位置先验知识，提出了一种新的视角来解决车道检测领域差异带来的挑战， 针对现有方法只关注像素级损失而忽略车道形状和位置先验知识的不足， 在两个挑战性数据集 TuSimple 和 CULane 中，我们的方法相对于现有领域自适应算法，在准确性和 F1 分数方面分别提高了 8.8％和 7.4％。

    Jun, 2022

  • 3D-LaneNet: 端到端 3D 多车道检测

    该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

    Nov, 2018

  • LanEvil：车道检测对环境幻觉的稳健性基准评估

    本研究首次研究了环境干扰对车道检测（LD）的潜在威胁，并建立了 LD 稳健性的首个全面基准 LanEvil。通过实验评估，揭示了流行的 LD 方法在面对自然干扰时的大幅性能下降，尤其是阴影效应造成的风险最大。为了防御环境干扰，提出了 Attention Area Mixing（AAM）方法，通过使用困难样本实现显著的稳健性改进。希望本文能为未来更强大的自动驾驶系统的发展做出贡献。

    Jun, 2024

  • ElasticLaneNet：一种灵活的几何方法进行车道检测

    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

  • 基于 Transformer 的端到端车道形状预测

    本文提出了一种使用 transformer 网络进行车道检测的端到端方法，使用自我注意机制来捕捉细长结构和全局上下文，并在 TuSimple 基准测试中展示了最新的准确性，适应性和实际应用的强大部署潜力。

    Nov, 2020

  • 端到端驾驶模型的隐性偏见

    通过剔除近乎所有最新方法中的两个偏见，即通过对目标点的强归纳偏见实现侧向恢复和通过多模式路点预测的纵向平均实现减速，在建立一个新的基于结构化深度学习和容易实现的系统中，TF++ 在 Longest6 和 LAV 的基准测试上达到了最好的表现并提升了 14 分驾驶分数。

    Jun, 2023