本文主要研究从视频流中提取 BEV 车道图。通过三种不同的方法，即后处理，空时嵌入变换和显式 BEV 投影等方法，实现在任意数量的图像上生成准确的车道图，并在 Nuscenes 和 Argoverse 数据集上进行了实验并证明了所提出方法的有效性和优越性。

Apr, 2023

该研究旨在从单个摄像头图像中直接提取局部道路网络拓扑，使用最小回路及其覆盖来表示道路拓扑，以监督深度神经网络的学习，以实现自主规划和导航。结果表明，与基准相比，该方法在 NuScenes 和 Argoverse 基准测试上的表现显著优越。

Dec, 2021

提出了使用交通参与者的运动模式作为车道图注释的自动车道图方法，通过预训练的对象跟踪器和 RGB 图像，可以在不需要人类监督的情况下预测车道图，实验证明效果与手动注释的图形数据训练的模型相当。

Jun, 2023

自主驾驶需要准确的局部场景理解信息，为此，我们提出了一种架构和损失形式来通过使用三维物体检测输出来改善局部车道图估计的准确性。所提出的方法通过将车道线作为簇中心，将物体视为要被分配到簇中心概率分布的数据点，从而学习将物体分配给车道中心线，以确保车道和物体之间的直接关系的监督，从而提高性能。该方法显著改善了车道图估计，且通过使用现有三维物体检测方法的输出，我们的方法可以实现显著的性能提升。由于我们的方法使用的是检测输出而不是检测方法的中间表示，因此我们的方法的单一模型可以在测试时使用任何检测方法。

Jul, 2023

本论文研究使用单个车载相机图像提取代表局部道路网络的有向图，以及在鸟瞰视角下检测动态物体的问题，并验证了该方法优于基线模型的有效性。

Oct, 2021

建了一个大规模的用于车道检测的航拍图像数据集，并开发了一种基于深度学习的航拍图像车道检测方法，通过两个阶段实现精细级车道线提取和拓扑结构的识别。

Dec, 2023

本研究提出了一种新的方法来解决通过利用 2D 到 3D 车道重建过程底层的几何结构来摆脱单目 3D 车道检测问题的方法，并使用结构先验来实现从局部到全局的三维车道重建，通过直接从前视图图像中提取 BEV 车道信息和任务特定的数据增强方法来降低 2D 车道表示中的结构损失，提高广义性；实验证明，该方法在 82 FPS 的实时速度下优于现有方法 3.8％的 F-Score。

Jun, 2022

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

本文提出了一种语义感知变换的方法，将仪表板摄像机视图中的检测结果映射到场景的更广泛、俯视的占用图中，通过大量的合成数据和深度神经网络的训练实现，结果表明该模型能够在真实世界的数据上进行泛化。

Jun, 2017

本文通过使用有向无环图模型 (DAG) 来推断车道边界的几何和拓扑属性，从而提高制作高精度地图的效率。经测试，该方法在两个不同的州的两条北美高速公路上表现出了 89% 的正确率。

Dec, 2020