本文提出了一种基于卷积神经网络 (CNNs) 的端到端系统，用于实时的车道边界识别、聚类和分类，使用了 TuSimple 数据集中 14336 个车道边界实例，并利用 8 个不同的类进行了标记。

Jul, 2019

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

本文提出了一种基于卷积神经网络和 SegNet encoder-decoder 架构的新型车道检测方法，并通过与 Google API 的接口实现了实时导航，该方法针对挑战性遮挡条件具有鲁棒性，且性能优于现有方法。

Sep, 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

该研究提出了一种基于实例分割和多任务学习的车道检测算法，有效地解决了光照条件、遮挡、车道数量变化等问题，经过三个流行的车道检测基准测试得到了验证。

May, 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

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

通过上游车辆检测和可见光中心的近似值，本文提出了一种检测车辆灯光的方法，预测与每个车辆灯光相关的四个近似角点，可应用于自动驾驶中检测车辆灯光的网络。

Jul, 2023

该论文提出了一个使用单一的 CNN 来估计车道内的免费空间的新方法，通过训练多任务的 CNN 以及进一步的网络输出和多边形提取，实现了车道内免费空间以及道路类型的识别并给出了基于 ROS 的计算实现方法。

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