摘要
单目3D车道检测已成为自动驾驶领域中的一个基本问题，包括寻找路面和定位车道标线的任务。其中一个主要挑战在于需要一种灵活而稳健的线条表示方法，能够建模复杂的车道结构，同时避免不可预测的行为。尽管以往的方法依赖于完全数据驱动的策略，我们却提出了一种新颖的方法——LaneCPP，该方法利用连续3D车道检测模型，并结合了关于车道结构和道路几何形状的物理先验知识。我们的复杂车道模型不仅能够建模复杂的道路结构，还表现出稳健的行为，因为通过正则化方案将物理约束以解析方式应用于我们的参数化表示中。此外，我们将道路几何形状的先验知识融入到3D特征空间中，通过建模几何感知的空间特征来引导网络学习内部的道路表面表示。在实验中，我们展示了所做贡献的优势，并证明了使用先验知识可以使3D车道检测更加稳健的意义。结果表明，LaneCPP在F值和几何误差方面达到了最先进的性能。