
要約
車線検出は自動運転において重要な課題であり、多くの要因によって影響を受けます。例えば、光条件、他の車両による遮蔽、道路の無関係な標識、および車線の固有の長く細い形状などが挙げられます。従来の方法では、通常、車線検出をセマンティックセグメンテーションのタスクとして扱います。これは画像の各ピクセルにクラスラベルを割り当てる手法ですが、このアプローチは車線数が事前に定義され固定されているという前提に大きく依存しており、車線変更が発生しないことを想定しています。しかし、常にその前提が成り立つわけではありません。そこで、任意の数の車線や車線変更シナリオにも適用できるようにするために、インスタンスセグメンテーションアプローチを採用しました。この手法はまず車線と背景を区別し、その後各車線ピクセルを個々の車線インスタンスに分類します。さらに、構造情報をより効果的に活用するためマルチタスク学習パラダイムを利用し、特徴ピラミッドアーキテクチャを使用して極めて細い車線も検出できるようにしました。提案したアルゴリズムの有効性を検証するために、TuSimple(TuSimple)、CULane(CULane)、BDD100K(BDD100K)という3つの代表的な車線検出ベンチマークデータセットを使用しました。