CARLANE: Ein Lane-Detection-Testfeld für unüberwachte Domänenanpassung von Simulation auf mehrere reale Weltdomänen

Unsupervised Domain Adaptation zeigt großes Potenzial, Domänenverschiebungen zu mildern, indem Modelle von beschrifteten Quelldomänen auf unbeschriftete Zieldomänen übertragen werden. Obwohl Unsupervised Domain Adaptation bereits auf eine Vielzahl komplexer visueller Aufgaben angewendet wurde, konzentrieren sich nur wenige Arbeiten auf die Spurdetektion für autonome Fahrzeuge. Dies lässt sich auf das Fehlen öffentlich verfügbaren Datensatzes zurückführen. Um die Forschung in diesen Bereichen zu fördern, stellen wir CARLANE vor – einen 3-Wege Sim-to-Real-Benchmark für die 2D-Spurdetektion. CARLANE umfasst die Einzelziel-Datensätze MoLane und TuLane sowie den Multi-Ziel-Datensatz MuLane. Diese Datensätze sind aus drei unterschiedlichen Domänen zusammengestellt, die vielfältige Szenen abdecken und insgesamt 163.000 eindeutige Bilder enthalten, von denen 118.000 annotiert sind. Zudem evaluieren und berichten wir systematische Benchmarks, darunter unsere eigene Methode, die auf Prototypical Cross-domain Self-supervised Learning aufbaut. Wir stellen fest, dass die Falsch-Positiv- und Falsch-Negativ-Raten der evaluierten Domain-Adaptation-Methoden im Vergleich zu vollständig überwachten Baselines hoch sind. Dies unterstreicht die Notwendigkeit von Benchmarks wie CARLANE, um die Forschung im Bereich Unsupervised Domain Adaptation für die Spurdetektion weiter zu stärken. CARLANE, alle evaluierten Modelle sowie die entsprechenden Implementierungen sind öffentlich unter https://carlanebenchmark.github.io verfügbar.