Zu einer end-to-end Schienenerkennung: Ein Ansatz zur Instanzsegmentierung

Moderne Fahrzeuge integrieren zunehmend mehr Fahrerassistenzfunktionen, darunter das automatische Spurenhalteassistent (Automatic Lane Keeping). Diese Funktion ermöglicht es dem Fahrzeug, sich innerhalb der Fahrbahnschienen korrekt zu positionieren, was für voll autonom fahrende Autos auch entscheidend ist für spätere Entscheidungen zur Spurverlassen- oder Trajektorieplanung. Traditionelle Spurerkennungsverfahren basieren auf einer Kombination hochspezialisierter, manuell gestalteter Merkmale und Heuristiken, die oft von nachfolgenden Verarbeitungstechniken begleitet werden. Diese Methoden sind rechenintensiv und aufgrund der Vielfalt von Straßenbildern schwer skalierbar. Neuere Ansätze nutzen tiefes Lernen, um Modelle zu trainieren, die eine pixelgenaue Spursegmentierung durchführen können, sogar wenn im Bild keine Markierungen vorhanden sind, dank ihres großen Rezeptivfelds. Trotz ihrer Vorteile sind diese Methoden darauf beschränkt, eine vordefinierte, feste Anzahl von Spuren zu erkennen, z.B. die eigenen Spuren (ego-lanes), und können nicht mit Spurwechseln umgehen.In dieser Arbeit überwinden wir die genannten Einschränkungen und schlagen vor, das Problem der Spurerkennung als ein Instanzsegmentierungsproblem zu betrachten – bei dem jede Fahrbahnschiene ihre eigene Instanz bildet – das von Anfang bis Ende trainiert werden kann. Um die segmentierten Spurinstanzen vor der Anpassung der Spur zu parametrisieren, schlagen wir weiterhin vor, eine gelernte Perspektivtransformation anzuwenden, die auf dem Bild konditioniert ist, im Gegensatz zu einer festgelegten "Vogelperspektive" (bird's-eye view) Transformation. Auf diese Weise gewährleisten wir eine robuste Spuranpassung gegenüber Änderungen der Straßenebene, im Gegensatz zu existierenden Ansätzen, die auf einer festgelegten, vordefinierten Transformation basieren.Zusammenfassend schlagen wir einen schnellen Algorithmus zur Spurerkennung vor, der mit 50 fps läuft und sowohl eine variable Anzahl von Fahrbahnschienen als auch Spurwechsel behandeln kann. Wir verifizieren unsere Methode am tuSimple-Datensatz und erzielen wettbewerbsfähige Ergebnisse.