End-to-End 차선 검출을 위한 인스턴스 분할 접근법

현대 자동차는 점점 더 많은 운전자 보조 기능을 탑재하고 있으며, 그 중 하나가 자동 차선 유지 기능입니다. 이 기능은 차량이 도로 차선 내에서 적절한 위치를 유지할 수 있도록 하며, 완전 자율 주행 차량의 후속 차선 이탈 또는 궤적 계획 결정에 있어서도 매우 중요합니다. 전통적인 차선 인식 방법은 고도로 특화된, 수작업으로 제작된 특징과 휴리스틱을 조합하여 사용하며, 일반적으로 후처리 기술이 따르지만, 이러한 방법들은 계산 비용이 많이 들고 도로 장면의 변화에 따른 확장성에 취약합니다. 최근 접근 방식들은 픽셀 단위의 차선 분할을 위해 훈련된 딥러닝 모델을 활용하는데, 이는 이미지에 표시가 없는 경우에도 큰 수용 범위(receptive field) 덕분에 가능합니다. 그러나 이러한 방법들은 사전 정의된 고정된 수의 차선(예: 자기 차선)만 감지할 수 있으며, 차선 변경에는 대응하지 못하는 한계가 있습니다.본 논문에서는 위와 같은 제한성을 넘어 차선 감지 문제를 인스턴스 분할 문제로 재구성하고자 합니다. 여기서 각 차선은 개별 인스턴스를 형성하며, 이를 end-to-end로 훈련할 수 있습니다. 또한 차선을 맞추기 전에 분할된 차선 인스턴스를 매개변수화하기 위해 이미지에 조건부로 학습된 관점 변환(perspective transformation)을 적용하는 방법을 제안합니다. 이는 고정된 "상공 시점(bird's-eye view)" 변환과 대비되는 것입니다. 이렇게 함으로써 우리는 도로 평면의 변화에 대해 강건한 차선 맞춤을 보장하며, 고정되고 사전 정의된 변환에 의존하는 기존 접근 방식들과 달리 이러한 변화에 대응할 수 있습니다.요약하면, 본 연구에서는 50 fps로 실행되는 빠른 차선 감지 알고리즘을 제안하며, 이 알고리즘은 가변적인 수의 차선을 처리하고 차선 변경에도 대응할 수 있습니다. 우리는 tuSimple 데이터셋에서 우리의 방법을 검증하였으며 경쟁력 있는 결과를 얻었습니다.