自动驾驶系统进阶与项目实战(九)基于行锚框和全局信息的深度学习车道线检测方法
目前多数基于深度学习的车道线检测方法通常把车道线的识别问题处理为车道线像素分割问题,单纯的像素级语义分割模型的推理的实时性相对较差。人类对于车道线的感知通常基于上下文和全局信息,所以即使有其他障碍物对车道线造成大面积的遮挡,人依然能够理解车道线及其走向。本文介绍一种基于行锚框和全局信息的深度学习车道线分割方法,由于使用行锚框对车道线检测任务进行建模,该方法具有很高的实时性和不错的性能,本文将实践该神经网络的训练和测试过程,最后,我们将模型部署于ROS环境,针对传感器采集的rosbag进行实时车道线检测。
车道线检测在ADAS和自动驾驶中的应用
车道线检测始终是传统ADAS领域领域的一个重要的topic,传统ADAS领域通常会包含车道偏离预警、车道保持乃至打转向灯变道等功能,准确鲁棒地检测车道线的位置乃至属性信息是这些功能的关键环节。在自动驾驶的新时期(L3及以上的自动驾驶功能),虽然感知系统会采用高精度地图、激光雷达等进一步补足和提升系统的能力,但是车道线检测在一些功能模块中依然发挥重要作用,比如说高精度地图生产过程中的自动化标志标线识别环节,再如HD map配准定位过程中也通常需要识别标志标线以实现高精度定位,再如高速公路场景远距离目标使用车道线标定相对位置等。可以说无论是传统的ADAS领域,还是最新的L3乃至L4自动驾驶系统,鲁棒、准确的车道线识别都是不可或缺的。
目前而言车道线检测的方