エンドツーエンドの車線検出へ：インスタンスセグメンテーションアプローチ

現代の自動車は、ドライバー支援機能をますます多く取り入れています。その中でも自動車線維持（automatic lane keeping）機能が注目されています。この機能により、車両は道路のレーン内に適切に位置づけられ、完全自動運転車において後続のレーン逸脱や経路計画の決定にとっても極めて重要です。従来のレーン検出方法は、高専門性を持つ手作りの特徴量とヒューリスティックを組み合わせたもので、通常は計算コストが高く、道路シーンの変動による拡張性に乏しいポストプロセッシング技術が用いられます。より最近のアプローチでは、画像中にラインマーキングがない場合でも大きな受容野（receptive field）によりピクセル単位でのレーンセグメンテーションを学習した深層学習モデルが活用されています。これらの手法には利点がありますが、事前に定義された固定数のレーン（例：自己車線）しか検出できないという制限があり、レーン変更に対応できません。本論文では、以上の制約を超えて、各レーンが個々のインスタンスとなるインスタンスセグメンテーション問題としてレーン検出問題を捉え直し、エンドツーエンドで学習できるように提案します。さらに、レーンフィッティングを行う前に分割されたレーンインスタンスをパラメータ化するために、画像に基づいた学習済み視点変換を適用することを提案します。これは固定的な「鳥瞰図」変換とは対照的です。これにより、既存の方法が固定的かつ事前に定義された変換に依存しているため道路平面の変化に対して脆弱であるのに対し、当手法は堅牢性を確保できます。要するに、我々は可変数のレーンに対応し且つレーン変更にも対処可能な高速なレーン検出アルゴリズム（50 fpsで動作）を提案しています。我々はtuSimpleデータセット上で当手法を検証し、競合する結果を得ました。