车道检测是自动驾驶系统中的关键功能。近年来，随着深度学习技术的快速发展以及相机车道数据集和基准测试的发布，基于相机的车道检测网络（Camera Lane Detection Networks, CLDNs）取得了显著进展。然而，CLDNs依赖于相机图像，而相机图像在消失线附近容易出现畸变，并且在光照条件不良时性能显著下降。这与激光雷达车道检测网络（Lidar Lane Detection Networks, LLDNs）形成鲜明对比：LLDNs能够直接在鸟瞰图（Bird’s Eye View, BEV）中提取车道线，为运动规划提供支持，并在各种光照条件下均表现出良好的鲁棒性。然而，由于缺乏大规模公开的激光雷达车道数据集，LLDNs至今未得到充分研究。本文提出K-AIST-Lane（简称K-Lane），这是全球首个且规模最大的公开城市道路与高速公路激光雷达车道数据集。K-Lane包含超过15,000帧数据，涵盖多达六条车道的标注信息，覆盖多种道路与交通场景，包括不同程度遮挡的道路、昼夜不同时间段的路况、汇合（汇聚与分流）车道以及弯曲车道等复杂情况。此外，我们还提出了名为“基于全局特征相关器的激光雷达车道检测网络”（Lidar Lane Detection Network with Global Feature Correlator, LLDN-GFC）的基线网络模型。LLDN-GFC充分利用了点云中车道线的空间特性——即其稀疏性、细长性以及沿点云地面平面延展的特征。实验结果表明，LLDN-GFC在K-Lane数据集上取得了当前最优的性能，F1分数达到82.1%。更重要的是，该模型在不同光照条件下均表现出优异的稳定性，这与依赖相机的CLDNs形成对比；同时，在严重遮挡场景下也展现出强鲁棒性，优于采用传统卷积神经网络（CNN）的LLDNs。K-Lane数据集、LLDN-GFC的训练代码、预训练模型，以及完整的开发工具包（包含评估、可视化与标注工具）均已开源，可访问GitHub页面：https://github.com/kaist-avelab/k-lane。