面向端到端车道检测：一种实例分割方法

现代汽车正越来越多地集成驾驶员辅助功能，其中自动车道保持功能尤为突出。该功能使汽车能够在道路车道内正确定位，对于全自动驾驶汽车后续的车道偏离或轨迹规划决策至关重要。传统的车道检测方法依赖于高度专业化的手工特征和启发式算法，通常还需进行后处理技术，这些方法计算成本高昂且由于道路场景的变化而难以扩展。近年来，一些新方法利用深度学习模型进行像素级车道分割，即使图像中没有标记也能检测到车道，这得益于它们较大的感受野。尽管这些方法具有优势，但它们仅限于检测预定义的固定数量的车道（例如自车所在车道），无法应对车道变换。在本文中，我们突破了上述限制，提出将车道检测问题转化为实例分割问题——即每条车道构成一个独立的实例——并可以端到端地训练。为了在拟合车道之前对分割的车道实例进行参数化，我们进一步提出应用一种基于图像的学习透视变换，而不是固定的“鸟瞰图”变换。通过这种方法，我们确保了对道路平面变化具有鲁棒性的车道拟合效果，而现有的方法则依赖于固定的、预定义的变换。总之，我们提出了一种快速的车道检测算法，运行速度为50帧/秒（fps），能够处理可变数量的车道并应对车道变换。我们在tuSimple数据集上验证了我们的方法，并取得了有竞争力的结果。