Eigenlanes: datengetriebene Lane-Descriptor für strukturell vielfältige Lanes

In diesem Artikel wird ein neuartiger Algorithmus zur Erkennung von Fahrstreifen im Eigenstreifenraum vorgestellt. Zunächst führen wir den Begriff der Eigenstreifen ein, die datengetriebene Beschreibungen für strukturell unterschiedliche Fahrstreifen darstellen, einschließlich gekrümmer und gerader Fahrstreifen. Um Eigenstreifen zu erzeugen, führen wir die bestmögliche Rang-M-Näherung einer Fahrstreifenmatrix durch, die alle Fahrstreifen einer Trainingsmenge enthält. Anschließend generieren wir eine Menge von Fahrstreifenkandidaten durch Clustering der Trainingsfahrstreifen im Eigenstreifenraum. Darauf aufbauend bestimmen wir mittels der Fahrstreifenkandidaten eine optimale Menge von Fahrstreifen, indem wir ein anchor-basiertes Erkennungsnetzwerk namens SIIC-Net entwickeln. Experimentelle Ergebnisse zeigen, dass der vorgeschlagene Algorithmus hervorragende Erkennungsergebnisse für strukturell vielfältige Fahrstreifen liefert. Unsere Quellcode-Implementierung ist unter https://github.com/dongkwonjin/Eigenlanes verfügbar.