CLRerNet: Verbesserung der Zuverlässigkeit der Spurdetektion mittels LaneIoU

Die Erkennung von Fahrstreifenmarkierungen ist eine entscheidende Komponente autonomer Fahrsysteme und Fahrerassistenzsysteme. Moderne tiefgreifende Methoden zur Fahrstreifenerkennung mit zeilenbasierter Darstellung erzielen hervorragende Ergebnisse in gängigen Benchmarks zur Fahrstreifenerkennung. Durch vorläufige Oracle-Experimente entkoppeln wir zunächst die Bestandteile der Fahrstreifendarstellung, um die Richtung unseres Ansatzes zu bestimmen. Wir zeigen, dass korrekte Fahrstreifenpositionen bereits in den Vorhersagen eines bestehenden zeilenbasierten Detektors enthalten sind und dass die Vertrauenswerte, die den Intersection-over-Union (IoU) gegenüber den Ground-Truth-Werten präzise widerspiegeln, am wertvollsten sind. Aufgrund dieser Erkenntnis schlagen wir LaneIoU vor, das eine stärkere Korrelation mit der Bewertungsmaßzahl aufweist, indem es lokale Fahrstreifenwinkel berücksichtigt. Wir entwickeln einen neuen Detektor namens CLRerNet, der LaneIoU für die Zielzuweisungskosten und die Verlustfunktionen nutzt, um die Qualität der Vertrauenswerte zu verbessern. Durch sorgfältige und faire Benchmarks mit Kreuzvalidierung zeigen wir, dass CLRerNet die derzeit beste Methode deutlich übertrifft – mit einem F1-Score von 81,43 % gegenüber 80,47 % der bestehenden Methode auf CULane und 86,47 % gegenüber 86,10 % auf CurveLanes.