Introduction
传统的车道检测方法通常依靠手工制作的操作员来提取特征,然后通过Hough变换和随机抽样共识等后处理进行拟合。然而,由于手工制作的模型不能处理车道线在不同场景下的多样性,传统方法很难在真实场景中难以保持鲁棒性。
早期的基于深度学习的方法是通过分割来检测车道线,近年来,各种方法,如基于锚点的方法,行检测方法和参数预测方法被提出,并不断提高精度和效率。
车道检测的一个常见问题是实例级识别。大多数车道检测方法,首先预测车道点,然后将这些点聚合成直线。但是,给不同的车道实例分配不同的点仍然是一个常见的挑战。
一个简单的解决方案是将车道线标记为一个固定数的类(例如,如果最大车道数为4,则标记为0、1、2、3),并进行多类分类。但限制是,只有一个预定义的,固定数量的车道可以检测。为了克服这一限制,研究了后聚类策略。然而,这种策略在某些情况下困难,比如密集的线。另一种方法是基于锚定的方法。但由于锚点的形状固定,预测线的形状并不灵活。
另一个挑战是检测具有复杂拓扑结构的车道线,如分叉线和密集线,H等人提出了一种HDMap(HDMap)的离线车道检测方法,可以处理分叉线。然而,关于实时驾驶场景中具有复杂拓扑结构的车道线的感知的研究却很少。
近年来,一些研究[35,38]研究了条件实例分割策略,这在车道检测任务中也有应用前景。然而,直接将该策略应用于车道检测是低效的,因为掩模的约束与指定线的形状并不完全一致
我们提出了由CondInst[35]和SOLOv2启发的条件车道检测策略
与实例分割任务不同,我们重点优化了基于行向公式的车道线形状,此外,我们还设计了循环实例模块(RIM)来处理具有复杂拓扑结构的车道线的检测,如密集线和分叉线。此外,受益于不需要后处理的端到端管道,我们的方法实现了实时效率。
1.通过提出的条件车道检测策略和行公式,大大提高了车道的识别能力。
2.我们解决了检测复杂拓扑线如密集线和叉线的车道线检测问题通过RIM模块
Related Work
根据线形描述的策略,目前的方法可以分为四类:基于分割的方法、基于锚定的方法、行级检测方法和参数预测方法。
Methods
Conditional Lane Detection
Shape Prediction
Vertical Range
因此,我们添加偏移映射来预测每一行靠近行向位置的水平方向上的偏移。我们将Ω定义为在车道线附近具有固定宽度的区域。
Instance Detection
Recurrent Instance Module
在实践中,多车道线可以落在同一个建议点,如分叉车道。为了处理上述情况,我们提出了循环实例模块(RIM)
Ablation Study
我们以基于原始条件实例分割策略[35,38](如图3.a所示)的车道检测模型作为基线。第一行显示了基线的结果。在第二行中,应用了所提出的条件车道检测策略,并将车道掩码表达式替换为行向公式(如3.b所示)。在第三行中,将添加了用于后细化的偏移映射。在第四行中,添加了变压器编码器,并删除了偏移贴图。第五行显示了模型的结果与行级公式、偏移映射和转换器编码器。在最后一行中,添加了RIM。
Ablation Study of Transformer Encoder
第一行显示了标准网络小、中、大版本的结果。在第二行中,变压器编码器被删除。在第三行中,我们通过用标准模型(第一行)的提案热图输出替换提案热图来破解第二行的推理过程。对于小版本,删除编码器会导致建议点和车道的显著下降。但是,使用标准模型的建议热图,第三行的结果接近于第一行。
以上结果表明,该编码器的功能主要是提高对基于上下文特征和全局信息的建议点的检测能力
建议点的准确性极大地影响了车道线的最终精度。我们设计了不同的控制组来比较曲线车道上的建议点和车道线的准确性。我们将位于地面真值点的八个邻域内的建议点定义为真正样本。考虑到RIM的功能,将多行对应的建议点视为多个不同的建议点。我们报告了建议点和车道线的F1得分,如表7所示。