自动驾驶系统基于行锚框和全局信息的深度学习车道线检测方法

目录

车道线检测在ADAS和自动驾驶中的应用

车道线检测行锚框（row anchor）建模

损失函数设计与构建

分类损失函数

结构损失函数

辅助特征聚合

模型训练实战

环境准备与安装

神经网络相关环境准备

安装miniconda

配置国内的pip和conda源

熟悉conda并新建本项目环境

克隆本项目

使用conda安装独立的ros python

神经网络训练

车道线分割数据集

训练模型

ROS环境下的模型部署和实践

可以进一步完善的工作

---

目前多数基于深度学习的车道线检测方法通常把车道线的识别问题处理为车道线像素分割问题，单纯的像素级语义分割模型的推理的实时性相对较差。人类对于车道线的感知通常基于上下文和全局信息，所以即使有其他障碍物对车道线造成大面积的遮挡，人依然能够理解车道线及其走向。本文介绍一种基于行锚框和全局信息的深度学习车道线分割方法，由于使用行锚框对车道线检测任务进行建模，该方法具有很高的实时性和不错的性能，本文将实践该神经网络的训练和测试过程，最后，我们将模型部署于ROS环境，针对传感器采集的rosbag进行实时车道线检测。

车道线检测在ADAS和自动驾驶中的应用

车道线检测始终是传统ADAS领域领域的一个重要的topic，传统ADAS领域通常会包含车道偏离预警、车道保持乃至打转向灯变道等功能