摘要
本文提出了一种基于参数化曲线的新型车道线检测方法，适用于RGB图像。与当前主流的基于分割或点检测的方法不同，后者通常需要借助启发式策略来解码预测结果或构建大量候选框（anchors），而基于曲线的方法能够自然地学习车道线的整体表征。针对现有多项式曲线方法在优化过程中存在的困难，本文提出采用参数化贝塞尔（Bézier）曲线，因其计算简便、数值稳定且具有较高的变换自由度。此外，本文还提出了基于可变形卷积的特征翻转融合机制，以充分利用驾驶场景中车道线的对称特性。所提出的方法在主流的LLAMAS基准测试上取得了新的最先进性能；同时，在TuSimple和CULane数据集上也表现出优异的检测精度，且保持了极低的延迟（超过150 FPS）和较小的模型尺寸（小于10M）。该方法可作为车道线检测领域的新基准，为参数化曲线建模在该任务中的应用提供新的研究方向。本文所提出的模型代码以及PytorchAutoDrive——一个统一的自动驾驶感知框架——均已开源，项目地址为：https://github.com/voldemortX/pytorch-auto-drive。