End-to-End Lane Marker Detection durch zeilenweite Klassifikation

Bei autonomen Fahrzeugen stellt die zuverlässige und genaue Detektion von Fahrstreifenmarkierungen eine entscheidende, jedoch herausfordernde Aufgabe dar. Herkömmliche Ansätze für die Detektion von Fahrstreifenmarkierungen führen eine pixelgenaue dichte Vorhersage durch, gefolgt von komplexen Nachbearbeitungsschritten, die unvermeidlich sind, da Fahrstreifenmarkierungen typischerweise als Sammlung von Liniensegmenten ohne Dicke dargestellt werden. In diesem Artikel stellen wir eine Methode vor, die direkt die Eckpunkte von Fahrstreifenmarkierungen end-to-end vorhersagt, d. h. ohne jegliche Nachbearbeitung, die bei der pixelbasierten dichten Vorhersage erforderlich ist. Konkret transformieren wir das Problem der Fahrstreifenmarkierungs-Detektion in eine zeilenweise Klassifizierungsaufgabe, die die inhärente geometrische Struktur von Fahrstreifenmarkierungen nutzt, obwohl diese Herangehensweise überraschenderweise bisher wenig erforscht wurde. Um eine kompakte und ausreichende Informationsextraktion über Fahrstreifenmarkierungen zu ermöglichen, die sich von links nach rechts über das Bild erstrecken, entwickeln wir eine neuartige Schicht, die die horizontalen Komponenten sukzessiv komprimiert und somit ein end-to-end-System für die Fahrstreifenmarkierungs-Detektion ermöglicht, bei dem die endgültigen Markierungspositionen im Testzeitpunkt einfach durch argmax-Operationen ermittelt werden. Experimentelle Ergebnisse belegen die Wirksamkeit des vorgeschlagenen Ansatzes, der auf zwei gängigen Benchmarks für Fahrstreifenmarkierungs-Detektion, nämlich TuSimple und CULane, mit den derzeit besten Methoden vergleichbar oder sogar übertrifft.