VPGNet: Vanishing Point Guided Network for Lane and Road Marking Detection and Recognition
KAIST（韩国科学技术院）；Samsung Electronics DMC R&D Center（三星电子DMC研发中心）
在本文中，我们提出了一个统一的端到端可训练多任务网络，该网络在恶劣天气条件下共同处理由消失点引导的车道和道路标记检测和识别。我们应对下雨和低光照条件，由于明显的挑战，这些条件迄今为止尚未得到广泛研究。例如，在雨天拍摄的图像会受到低照度的影响，而潮湿的道路会导致光线反射，并扭曲车道和道路标记的外观。在夜间，在有限的照明下会发生颜色失真。因此，没有基准数据集存在，只有少数开发的算法在恶劣的天气条件下工作。为了解决这个问题，我们建立了一个车道和道路标记基准，其中包括大约20,000个图像，17个车道和道路标记类在四个不同的场景：无雨，下雨，大雨和夜晚。我们训练和评估建议的多任务网络的几个版本，并验证每个任务的重要性。由此产生的方法，VPGNet，可以检测和分类车道和道路标记，并预测一个单一的向前通过消失点。实验结果表明，我们的方法实现了高精度和鲁棒性在各种条件下的实时（20 fps）。基准和VPGNet模型将公开提供。
2017-10-17 cs.CV
SnowyLane: Robust Lane Detection on Snow-covered Rural Roads Using Infrastructural Elements
University of Tübingen, Faculty of Science, Department of Computer Science, Embedded Systems Group（图宾根大学科学学院计算机科学系嵌入式系统组）；Forschungszentrum Informatik (FZI) Karlsruhe（信息研究所（FZI）卡尔斯鲁厄）
本文提出一种通过检测路边轮廓桩并利用贝塞尔曲线拟合车道轨迹的鲁棒实时车道检测方法，并发布包含8万帧的SnowyLane合成数据集，显著提升了积雪遮挡场景下的检测鲁棒性。
2025-11-07 cs.CV
Robust Lane Marking Detection Algorithm Using Drivable Area Segmentation and Extended SLT
Cyprus International University（塞浦路斯国际大学）；the Hong Kong University of Science and Technology（香港科技大学）；Hangzhou ATG Intelligent Technology Co. Ltd.（杭州安智智能科技有限公司）；Guolu Gaoke Engineering Technology Institute Co. Ltd.（国路高科工程技术研究院有限公司）
本文提出了一种鲁棒的车道线检测算法，该算法利用动态规划从v-视差图中估计道路的垂直道路轮廓，并根据估计的轮廓分割道路区域。由于车道标记位于道路区域上，并且地面上方的任何特征点都将是车道检测的噪声源，因此为道路区域创建掩模以去除车道检测的一些噪声。在鸟瞰图（BEV）中将估计的掩模乘以车道特征图。该方法不仅考虑了车道线的明暗过渡（DLD），而且考虑了车道线边界的平行性，采用扩展的对称局部阈值（SLD）提取车道线特征点。然后，分割仅使用道路区域上的特征点。使用高效的1D Hough变换检测最多两个线性车道标记。然后，使用检测到的线性车道标记来创建用于抛物线车道检测的感兴趣区域（ROI）。最后，基于所估计的感兴趣区域，使用鲁棒拟合来拟合抛物线车道模型。由于鲁棒的车道特征提取和道路区域分割，所提出的算法鲁棒地检测车道标记，并实现车道标记检测的准确性为91%时，从KITTI数据集的序列进行测试。
2019-11-20 cs.CV cs.RO
Fine-Grained Traffic Inference from Road to Lane via Spatio-Temporal Graph Node Generation
Fudan University（复旦大学）；Zhuhai Fudan Innovation Research Institute（珠海复旦创新研究院）；The Hong Kong University of Science and Technology（香港科学与技术大学）；Guangzhou University（广州大学）；Shanghai Jiao Tong University（上海交通大学）
本文提出FRTI任务，将车道级交通推断建模为时空图节点生成问题，并设计两阶段RoadDiff框架，利用道路-车道关联与车道扩散从有限道路数据推断细粒度车道状态。
2025-07-25 cs.AI cs.CV
Embedded CNN based vehicle classification and counting in non-laned road traffic
IIT Delhi（德里印度理工学院）；Delhi Technological University（德里技术大学）
道路交通中车辆的分类和计数在交通工程领域有着广泛的应用。然而，各种各样的车辆（两轮车，三轮车，汽车，公共汽车，卡车等）在没有任何车道规则的发展中地区的道路上行驶，使得车辆分类和计数成为难以自动化的问题。在本文中，我们使用最先进的卷积神经网络（CNN）为基础的目标检测模型和训练他们的多个车辆类使用数据从德里的道路。我们使用来自四个不同位置的5562个视频帧在80-20的训练测试分割上获得高达75%的MAP。由于在发展中地区，从道路到云服务器的连续视频传输缺乏强大的网络连接，我们还评估了基于CNN模型的推理的嵌入式实现的延迟、能源和硬件成本。
2019-01-18 cs.CV
LaneCPP: Continuous 3D Lane Detection using Physical Priors
Bosch Mobility Solutions, Robert Bosch GmbH（罗伯特·博世公司博世移动解决方案部门）；Institute of Signal Processing, University of Lübeck（吕贝克大学信号处理研究所）
本文提出 LaneCPP，将车道结构与道路几何的物理先验融入连续3D车道表示和几何感知特征，并通过解析正则化约束模型，在 F-Score 与几何误差上达到最先进水平。
2024-06-12 cs.CV
LaneNet: Real-Time Lane Detection Networks for Autonomous Driving
Duke University（杜克大学）；Horizon Robotics, Inc.（地平线机器人公司）
车道线检测是检测道路上的车道线，并提供每个车道线的准确位置和形状。它是实现现代辅助和自动驾驶系统的关键技术之一。然而，车道的几个独特的属性挑战检测方法。车道线特征的缺乏使得车道线检测算法容易被具有相似局部外观的其他物体所混淆。此外，道路上车道数量的不一致以及不同的车道线模式，例如实线、虚线、单行、双线、合并线和分裂线，进一步妨碍了性能。在本文中，我们提出了一种基于深度神经网络的方法，命名为LaneNet，将车道检测分为两个阶段：车道边缘建议和车道线定位。第一阶段使用车道边缘建议网络进行逐像素车道边缘分类，并且第二阶段中的车道线定位网络然后基于车道边缘建议来检测车道线。请注意，我们的LaneNet的目标是只检测车道线，这在抑制道路上类似车道标记（如箭头和字符）的错误检测方面带来了更多的困难。尽管有这些困难，我们的车道检测被证明是强大的高速公路和城市道路的情况下，不依赖于任何假设的车道数或车道线模式的方法。高运行速度和低计算成本赋予我们的LaneNet被部署在车载系统的能力。实验验证了我们的LaneNet在现实世界的交通场景中始终提供出色的性能。
2018-07-04 cs.CV
SC-Lane: Slope-aware and Consistent Road Height Estimation Framework for 3D Lane Detection
Seoul National University（首尔国立大学）；Hyundai Motor Group（现代汽车集团）
本文提出SC-Lane框架，通过坡度感知自适应特征模块和高度一致性模块实现动态多坡度特征融合与连续帧时间连贯性，显著提升了3D车道线检测中的道路高度估计精度，在OpenLane基准上达到64.3%的F-score最优性能。
2025-08-14 cs.CV
K-Lane: Lidar Lane Dataset and Benchmark for Urban Roads and Highways
Korea Advanced Institute of Science and Technology（韩国科学技术院）
针对现有激光雷达车道检测研究受限于大型公开数据集不足的问题，本文提出全球最大的城市与高速激光雷达车道数据集K-Lane，并设计基于全局特征相关器的基线网络LLDN-GFC，在多场景下实现了SOTA检测性能，同时开源全套开发工具。
2023-11-07 cs.AI cs.CV cs.RO
Driving with Context: Online Map Matching for Complex Roads Using Lane Markings and Scenario Recognition
School of Automotive Studies, Tongji University（同济大学汽车学院）；Department of Automation and Perception, Shanghai Jiao Tong University（上海交通大学自动化与感知系）；Zenseact
本文提出融合车道线关联与驾驶场景识别概率因子的 HMM 在线 SD 地图匹配方法，显著提升复杂及多层道路匹配精度。
2025-05-10 cs.CV
TopoMask: Instance-Mask-Based Formulation for the Road Topology Problem via Transformer-Based Architecture
Graduate School of Informatics, Middle East Technical University（中东技术大学信息学院）
针对道路拓扑中心线预测问题，提出基于实例掩码与Transformer架构的TopoMask方法，引入方向标签补充流场信息，在OpenLane-V2基准上取得优异性能。
2023-06-08 cs.AI cs.CV cs.LG
Advancements in Road Lane Mapping: Comparative Fine-Tuning Analysis of Deep Learning-based Semantic Segmentation Methods Using Aerial Imagery
本研究比较了十二种深度学习语义分割模型在部分标注数据集下的迁移学习性能，发现基于Transformer的模型优于卷积神经网络，微调后显著提升了从航空影像提取道路车道线的性能，对自动驾驶HD地图开发具有重要意义。
2024-10-15 cs.CV
CenterLineDet: CenterLine Graph Detection for Road Lanes with Vehicle-mounted Sensors by Transformer for HD Map Generation
The Hong Kong University of Science and Technology（香港科技大学）；The Hong Kong Polytechnic University（香港理工大学）；The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute（香港科技大学深港协同创新研究院）
随着自动驾驶技术的快速发展，对高清（HD）地图的需求越来越大，高清地图可以提供有关交通环境静态部分的可靠和鲁棒的先验信息。道路车道中心线作为高清地图的重要组成部分，对后续的预测、规划等任务至关重要。在高清地图中手动标注道路车道中心线是劳动密集型的，昂贵且效率低下，严重限制了自动驾驶系统的广泛应用。由于车道中心线拓扑结构复杂、重叠问题严重，以往的工作很少探讨车道中心线检测问题。在本文中，我们提出了一种新的方法CenterLineDet检测车道中心线自动高清地图生成。我们的CenterLineDet通过模仿学习训练，可以有效地检测车载传感器的中心线图形（即，六个摄像头和一个激光雷达）。由于使用了类似DETR的Transformer网络，CenterLineDet可以处理复杂的图形拓扑，例如车道交叉点。该方法在大规模公共数据集NuScenes上进行了评估。我们的CenterLineDet的优越性证明了比较结果。我们的代码、补充材料和视频演示可在\href{https://tonyxuqaq.github.io/projects/CenterLineDet/}{https://tonyxuqaq.github.io/projects/CenterLineDet/}上获得。
2023-02-28 cs.CV cs.RO
Goal-Directed Occupancy Prediction for Lane-Following Actors
Uber ATG（优步先进技术集团）
预测在共享道路上行驶的车辆未来可能的行为是安全自动驾驶的关键任务。许多现有的方法来解决这个问题，努力提炼所有可能的车辆行为到一个简化的一组高层次的行动。然而，这些动作类别不足以描述我们在现实世界中遇到的复杂道路网络中可能的全部机动范围。为了克服这一缺陷，我们提出了一种新的方法，利用映射的道路拓扑结构的原因可能的目标，并预测未来的空间占用动态道路演员。我们表明，我们的方法能够准确地预测未来的占用率，保持与映射的车道几何形状一致，并自然地捕获基于本地场景上下文的多模态，同时也不会受到先前工作中观察到的模式崩溃问题的影响。
2020-09-06 cs.CV cs.LG cs.RO
Vehicle Local Position Estimation System
Indian Institute of Technology, Guwahati（印度理工学院古瓦哈提分校）；International Institute of Information Technology, Bangalore（班加罗尔国际信息技术研究所）
本文提出了一种基于单摄像机和GPS的车辆局部位置估计方法。采用一种改进的逆透视映射、光源不变性技术和基于目标检测的方法对道路中的车辆进行定位。利用车辆当前车道、车辆与道路边界的距离以及其他车辆的距离来确定车辆的局部位置。为此，车道标记检测使用拉普拉斯边缘功能，强大的阴影。使用Lab颜色空间和光源不变量技术消除阴影和额外的太阳光的影响。车道被假定为抛物线模型，并使用鲁棒RANSAC拟合。该方法能够可靠地检测出道路的所有车道线，估计出车道偏离角以及车辆相对于车道线、道路边界和其他车辆的局部位置。利用基于HOG特征的可变形部分模型检测行人、车辆等不同类型的障碍物。
2015-03-23 cs.CV
Mapping suburban bicycle lanes using street scene images and deep learning
Royal Melbourne Institute of Technology（皇家墨尔本理工大学）
公路自行车道提高了骑自行车者的安全性，并鼓励骑自行车的积极交通和娱乐参与。由于许多地方当局负责部分基础设施，官方地图和自行车道数据集可能过时且不完整。即使是“众包”数据库也可能存在很大的差距，特别是在热门的大都市地区之外。本文提出了一种方法来创建一个地图的自行车道在一个调查区域，从每条道路的样本街景图像，然后应用一个深度学习模型，已训练识别自行车道符号。然后将检测到自行车道标记的坐标列表与关于道路网络的地理空间数据相关联，以记录自行车道路线。该方法被应用于成功地建立一个地图的调查区在墨尔本远郊。它能够识别以前没有记录在官方州政府数据集OpenStreetMap或谷歌地图的“自行车”层中的自行车道。
2022-04-27 cs.CV
Computer vision-based model for detecting turning lane features on Florida's public roadways
Florida A&M University–Florida State University College of Engineering（佛罗里达农工大学-佛罗里达州立大学工程学院）；Florida State University（佛罗里达州立大学）；University of North Florida（北佛罗里达大学）；Iteris, Inc.（Iteris公司）
本文提出一种基于计算机视觉和航空影像的AI模型，用于自动检测佛罗里达州公共道路的转弯车道特征，平均准确率达80.4%，为道路规划与安全分析提供高效数据支持。
2024-06-13 cs.AI cs.CV
Ego-Lane Analysis System (ELAS): Dataset and Algorithms
在过去的二十年里，视觉传感器成本的降低和嵌入式硬件的进步推动了车道相关研究的检测、估计和跟踪。随着对高级驾驶员辅助系统（ADAS）和自动驾驶汽车的需求，对这一主题的兴趣进一步增加。尽管独立地进行了广泛的研究，但是仍然需要针对与自我车道相关的多个问题提出组合解决方案的研究，所述多个问题诸如车道偏离警告（LDW）、车道变换检测、车道标记类型（LMT）分类、道路标记检测和分类以及相邻车道（即，直接左和右车道）存在。在本文中，我们提出了一个实时自我车道分析系统（ELAS）能够估计自我车道位置，分类LMT和道路标记，执行LDW和检测车道变换事件。所提出的基于视觉的系统工作在图像的时间序列上。车道标记特征提取的角度和反向透视映射（IPM）的图像相结合，以增加鲁棒性。最终估计的车道被建模为样条使用的方法的组合（霍夫线与卡尔曼滤波器和样条与粒子滤波器）。基于估计的车道，检测所有其他事件。为了验证ELAS并弥补文献中车道数据集的不足，一个新的数据集包含20多个不同的场景（超过15，000帧），并考虑了各种场景（城市道路，高速公路，交通，阴影等）。被创造出来。该数据集被手动注释并公开提供，以便能够评估研究界感兴趣的几个事件（即，车道估计、改变和居中;道路标记;交叉口; LMT;人行横道和相邻车道）。ELAS在所有真实世界事件中实现了高检测率，并被证明可以用于实时应用。
2018-06-15 cs.CV
Beyond the Proving Ground: Independent Public-Road Testing of Assisted Lane Change Systems using LiDAR
本研究提出公共道路独立测试辅助变道系统的方法，在法国A31高速开展测试，发现部分系统操作未达UNECE第79号法规安全距离要求，验证了LiDAR传感的适用性，可支持市场监管与法规修订。
2026-08-28 cs.CV cs.RO
Lane Attention: Predicting Vehicles' Moving Trajectories by Learning Their Attention over Lanes
Baidu USA LLC（百度美国有限责任公司）；Google Research（谷歌研究院）
准确预测周围车辆的未来运动对于自动驾驶汽车的安全和高效运营至关重要。这项任务是困难的，因为车辆的移动轨迹在很大程度上取决于其驾驶员的意图，这往往是难以估计的。通过利用注意力机制以及长短期记忆（LSTM）网络，这项工作学习了驾驶员的意图与车辆相对于道路基础设施的位置变化之间的关系，并将其用于指导预测。与现有解决方案不同的是，本文将道路车道视为非欧结构，将车辆的运动历史展开形成时空图，并采用图神经网络的方法进行求解。我们的方法不仅是使用非欧几里德方法来处理预测对象周围的静态环境特征的开创性尝试，我们的模型在几个指标上也优于其他最先进的模型。该模型的实用性和可解释性分析表明，除了我们自己的大规模部署在各种自动驾驶系统的巨大潜力。
2021-01-14 cs.CV cs.LG cs.RO
HD Maps are Lane Detection Generalizers: A Novel Generative Framework for Single-Source Domain Generalization
Korea University（高丽大学）；NAVER LABS（NAVER实验室）
针对车道线检测因域差异导致泛化性能不足的问题，提出利用 HD Maps 生成前视图图像并筛选核心子集训练模型的方法，在不访问目标域图像下准确率提升 3.01%p。
2024-05-31 cs.CV cs.LG cs.RO
Reading Between the Lanes: Text VideoQA on the Road
Center for Visual Information Technology (CVIT)（视觉信息科技中心）
针对驾驶辅助中道路文本时序推理的需求，本文提出包含3222段多国驾驶视频、10500个文本相关问题的RoadTextVQA数据集，评估了现有VideoQA模型性能，为车载辅助和文本感知多模态问答研究提供支撑。
2025-06-14 cs.CV
Towards End-to-End Lane Detection: an Instance Segmentation Approach
ESAT-PSI, KU Leuven（比利时鲁汶大学（KU Leuven）ESAT-PSI实验室（ESAT-PSI））
现代汽车正在整合越来越多的驾驶员辅助功能，其中包括自动车道保持。后者允许汽车在道路车道内正确定位，这对于完全自动驾驶汽车的任何后续车道偏离或轨迹规划决策也至关重要。传统的车道检测方法依赖于高度专业化、手工制作的特征和几何学的组合，通常随后是后处理技术，这在计算上是昂贵的，并且由于道路场景的变化而易于扩展。最近的方法利用了深度学习模型，这些模型经过了像素级车道分割的训练，即使图像中没有标记也是如此，因为它们的感受野很大。尽管这些方法有其优点，但它们仅限于检测预定义的固定数量的车道，例如自我车道，并且不能应对车道变化。在本文中，我们超越了上述限制，并提出将车道检测问题转换为实例分割问题-其中每个车道形成自己的实例-可以端到端训练。为了在拟合车道之前对分割的车道实例进行参数化，我们进一步建议应用以图像为条件的学习透视变换，与固定的“鸟瞰图”变换形成对比。通过这样做，我们确保了车道拟合，这是强大的道路平面的变化，不像现有的方法，依赖于一个固定的，预定义的转换。总之，我们提出了一种快速车道检测算法，运行速度为50 fps，可以处理可变数量的车道并应对车道变化。我们在tuSimple数据集上验证了我们的方法，并取得了有竞争力的结果。
2018-02-15 cs.CV
LANet: A Lane Boundaries-Aware Approach For Robust Trajectory Prediction
Artificial Intelligence Creative Research Lab, ETRI University of Science（ETRI人工智能创意研究实验室，科学技术大学）；Artificial Intelligence Creative Research Lab, ETRI Daejeon, South Korea（ETRI人工智能创意研究实验室，韩国大田）
本文提出 LANet，利用车道边界和道路边缘等向量地图元素增强驾驶环境表示，并通过特征融合与连接剪枝机制在保证计算效率的同时提升轨迹预测性能，在 Argoverse 2 上验证了其有效性。
2025-07-02 cs.CV cs.RO
Dirty Road Can Attack: Security of Deep Learning based Automated Lane Centering under Physical-World Attack
UC Irvine（加州大学欧文分校）；ByteDance（字节跳动）；Northeastern University（东北大学）
自动车道对中（ALC）系统如今非常方便且广泛部署，但也具有高度的安全性和安全性。在这项工作中，我们是第一个系统地研究最先进的基于深度学习的ALC系统在物理世界对抗攻击下的设计操作域中的安全性。我们制定了一个安全关键的攻击目标的问题，和一个新的和特定领域的攻击向量：肮脏的道路补丁。为了系统地生成攻击，我们采用了基于优化的方法，并克服了特定领域的设计挑战，例如由于攻击影响的车辆控制而导致的相机帧相互依赖性，以及车道检测模型缺乏目标函数设计。我们评估我们的攻击生产ALC使用80个场景，从现实世界的驾驶痕迹。结果表明，我们的攻击是非常有效的，超过97.5%的成功率和不到0.903秒的平均成功时间，这是大大低于平均司机的反应时间。这种攻击也被发现（1）对各种现实因素（如照明条件和视角）具有鲁棒性，（2）对不同的模型设计具有通用性，以及（3）从驾驶员的角度来看是隐形的。为了了解安全影响，我们在真实车辆中使用软件在环仿真和攻击跟踪注入进行实验。结果表明，我们的攻击在不同的场景下可以导致100%的碰撞率，包括在使用自动紧急制动等常见安全功能进行测试时。我们还评估和讨论防御。
2021-06-13 cs.CR cs.CV cs.LG
Online Navigation Refinement: Achieving Lane-Level Guidance by Associating Standard-Definition and Online Perception Maps
Amap, Alibaba Group（阿里的Amap部门）；School of Aerospace, BUAA（北京航空航天大学航空学院）；Key Laboratory of Spacecraft Design Optimization and Dynamic Simulation Technology, Ministry of Education（教育部航天器设计优化与动态仿真技术重点实验室）；State Key Laboratory of High-Efficiency Reusable Aerospace Transportation Technology（高效可重复使用航天运输技术国家重点实验室）
本文提出在线导航优化方法，通过关联标准定义地图与在线感知地图，实现车道级导航，提升导航精度与实时性。
2026-01-30 cs.CV
An Improved Deep Convolutional Neural Network-Based Autonomous Road Inspection Scheme Using Unmanned Aerial Vehicles
Kumoh National Institute of Technology（国立金乌工科大学）
人工智能（AI）的进步为开发自主设备提供了很好的机会。这项工作的贡献是一个改进的卷积神经网络（CNN）模型及其实现的道路裂缝，坑洼，和黄色车道的道路检测。黄色车道检测与跟踪的目的是通过跟随黄色车道，实现无人机的自主导航，同时通过WIFI或5G介质检测并向服务器报告道路裂缝和坑洼。建立自己的数据集是一项繁忙而耗时的任务。使用默认和改进的模型创建、标记和训练数据集。这两种模型的性能是基准方面的准确性，平均平均精度（mAP）和检测时间。在测试阶段，据观察，改进后的模型的性能更好的精度和mAP方面。改进后的模型在无人机上实现，使用机器人操作系统，通过无人机前置摄像头视觉实时自主检测道路中的坑洼和裂缝。
2020-08-14 cs.CV cs.LG cs.RO
ReManNet: A Riemannian Manifold Network for Monocular 3D Lane Detection
State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing（信息工程测绘遥感国家重点实验室）
本文提出ReManNet，通过将道路视为三维空间中的光滑2D流形，利用黎曼流形上的高斯描述符和轻量级门机制，提升单目3D车道检测的几何一致性与形状对齐性能。
2026-03-20 cs.CV
TopoStreamer: Temporal Lane Segment Topology Reasoning in Autonomous Driving
FNii, CUHK-Shenzhen（CUHK-Shenzhen FNii）；SSE, CUHK-Shenzhen（CUHK-Shenzhen SSE）；SCSE, WHU（WHU SCSE）；T Lab, Tencent（腾讯 T Lab）
针对现有方法在车道段拓扑推理中时序一致性与位置嵌入的局限，提出TopoStreamer端到端模型，通过三项关键改进提升性能，在OpenLane-V2数据集上取得显著指标提升。
2025-11-12 cs.AI cs.CV
Attention-based U-Net Method for Autonomous Lane Detection
University Of California（加利福尼亚大学）；University Of North Texas（北得克萨斯大学）
本研究针对车道检测难题，提出两种深度学习方法：FPN模型和集成注意力机制的U-Net模型，后者以98.98%的准确率远超基础模型，为自动驾驶系统提供了更可靠的车道检测方案。
2024-11-16 cs.CV
Enhanced free space detection in multiple lanes based on single CNN with scene identification
University of Parma（帕尔马大学）；University of Bologna（博洛尼亚大学）；Universidad Carlos III de Madrid（马德里卡洛斯三世大学）
许多用于自动驾驶车辆导航的系统依赖于车道检测。传统算法通常只估计道路上车道的位置，但自主控制系统可能还需要知道车道标记是否可以穿越，以及车道内的哪部分空间没有障碍物，以做出更安全的控制决策。另一方面，自由空间检测算法仅检测可导航区域，而没有关于车道的信息。最先进的算法使用CNN来完成这两项任务，这会消耗大量的计算资源。我们提出了一种新的方法，估计每个车道内的自由空间，一个单一的CNN。此外，只增加一个小的要求，有关GPU RAM，我们推断的道路类型，这将是有用的路径规划。为了实现这个结果，我们训练了一个多任务的CNN。然后，我们进一步阐述了网络的输出，以提取多边形，可以有效地用于导航控制。最后，我们提供了一个计算效率的实现，基于ROS，可以在实时的执行。我们的代码和训练模型可在线获取。
2019-05-06 cs.CV cs.LG cs.RO
SafeDrive: Enhancing Lane Appearance for Autonomous and Assisted Driving Under Limited Visibility
University of Minnesota Twin Cities（明尼苏达大学双城分校）
车道标记的自主检测提高了道路安全性，并且纯视觉跟踪对于广泛的车辆兼容性和减少传感器侵入、成本和能量消耗是期望的。然而，由于许多因素，视觉方法通常是无效的;例如，闭塞、恶劣的天气条件和油漆磨损。我们提出了一种方法，以提高辅助和自动驾驶，特别是在能见度差的车道标志外观。我们的方法，名为SafeDrive，试图改善视觉车道检测方法在严重退化的视觉条件。SafeDrive在车辆所在位置的道路替代图像中找到车道标记，并重建周围环境的稀疏3D模型。通过估计该3D模型和当前视图之间的几何关系，车道标记被投影到视觉场景上;随后可以使用任何车道检测算法来检测结果图像中的车道。SafeDrive不需要额外的传感器，除了视觉和位置数据。我们证明了我们的方法的有效性，从城市环境中记录的实际驾驶数据获得的一些测试案例。
2018-07-24 cs.CV
Real-Time Lane ID Estimation Using Recurrent Neural Networks With Dual Convention
Huawei Munich Research Center（华为慕尼黑研究中心）；Huawei Intelligent Automotive Solution BU（华为智能汽车解决方案BU）
获取道路车道结构信息是自主导航的关键步骤。为此，有几种方法从不同的角度来解决这个任务，如车道标记检测或语义车道分割。然而，据我们所知，目前还没有纯粹基于视觉的端到端解决方案来回答这个精确的问题：如何估计多车道道路或高速公路内当前驾驶车道的相对数量或“ID”？在这项工作中，我们提出了一个实时的【形】，视觉（即单目相机）的解决方案的基础上的双重左右公约的问题。我们将此任务解释为一个分类问题，将候选车道的最大数量限制为8个。我们的方法旨在满足低复杂度的规格和有限的运行时间要求。它利用输入序列固有的时间维度来改进高复杂性的最先进的模型。我们在极端条件和不同路线的挑战性测试集上实现了95%以上的准确率。
2020-01-14 cs.CV
OpenLKA: An Open Dataset of Lane Keeping Assist from Recent Car Models under Real-world Driving Conditions
Department of Civil and Environmental Engineering, University of South Florida（土木与环境工程系，佛罗里达州立大学）
本文提出OpenLKA，首个用于评估和改进车道保持辅助（LKA）的大规模开放数据集，包含62款车型的400小时真实驾驶数据，融合多模态信息，为基准测试LKA真实性能和评估自动驾驶基础设施准备度提供综合平台。
2025-07-16 cs.CV cs.RO
LaneGraph2Seq: Lane Topology Extraction with Language Model via Vertex-Edge Encoding and Connectivity Enhancement
Fudan University（复旦大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
本文提出LaneGraph2Seq方法，通过顶点-边编码和连通性增强的语言模型，解决车道图提取中边信息建模不足的问题，在nuScenes和Argoverse 2数据集上取得优于现有技术的性能。
2024-02-19 cs.CV
Datasets for Lane Detection in Autonomous Driving: A Comprehensive Review
University of Tübingen, Faculty of Science, Department of Computer Science, Embedded Systems Group（图宾根大学，科学学院，计算机科学系，嵌入式系统小组）
本文全面综述了20个公开车道检测数据集，通过多维质量指标分析其特性、优势和局限，并指出未来改进方向以推动鲁棒车道检测创新。
2026-05-26 cs.CV
SafeDrive: A Robust Lane Tracking System for Autonomous and Assisted Driving Under Limited Visibility
University of Minnesota（明尼苏达大学）
我们提出了一个强大的辅助和自动驾驶车道跟踪的方法，特别是在能见度低的情况下。车道标记的自主检测提高了道路安全性，并且纯视觉跟踪对于广泛的车辆兼容性和减少传感器侵入、成本和能量消耗是期望的。然而，由于许多因素，包括但不限于遮挡、恶劣的天气条件和油漆磨损，视觉方法通常无效。我们的方法，名为SafeDrive，试图改善视觉车道检测方法在严重退化的视觉条件下，而不依赖于额外的主动传感器。在视觉车道检测算法无法检测车道标记的情况下，所提出的方法使用车辆的位置信息来定位和访问道路的替代图像，并尝试在此辅助图像上进行检测。随后，通过使用基于特征和基于像素的对准的组合，在当前场景中找到车道标记的估计位置。我们证明了我们的系统的有效性，从实际驾驶数据在美国的位置与谷歌街景作为替代图像的来源。
2017-01-29 cs.CV cs.RO
Explaining How a Deep Neural Network Trained with End-to-End Learning Steers a Car
NVIDIA Corporation（英伟达公司）；New York University（纽约大学）；Google Research（谷歌研究院）
作为完整的自动驾驶软件栈的一部分，NVIDIA创建了一个基于神经网络的系统，称为PilotNet，它可以根据前方道路的图像输出转向角度。PilotNet使用道路图像与驾驶数据收集汽车的人生成的转向角度进行训练。它通过观察人类驾驶员来获得必要的领域知识。这消除了人类工程师预测图像中重要内容的需要，并预见安全驾驶的所有必要规则。道路测试表明，PilotNet可以在各种驾驶条件下成功地保持车道，无论车道标记是否存在。这里描述的工作的目标是解释PilotNet学习了什么以及它如何做出决定。为此，我们开发了一种方法，用于确定道路图像中的哪些元素最影响PilotNet的转向决策。结果表明，PilotNet确实学会了识别道路上的相关物体。除了学习车道标记、道路边缘和其他车辆等明显的特征外，PilotNet还学习了工程师难以预测和编程的更微妙的特征，例如道路边缘的灌木丛和非典型车辆类别。
2017-04-25 cs.CV cs.LG cs.NE
Optimizing LaneSegNet for Real-Time Lane Topology Prediction in Autonomous Vehicles
Purdue University（普渡大学）
本研究优化LaneSegNet车道拓扑预测架构，通过调整Transformer编码器-解码器堆栈比例，在训练时间与精度间取得权衡：2:4配置减少22.3%训练时间而精度仅降7.1%，4:8配置以11.1%的时间代价提升23.7%平均精度，为不同算力用户提供调优依据。
2024-07-30 cs.AI cs.CV cs.LG
Trajectory Prediction in Autonomous Driving with a Lane Heading Auxiliary Loss
University of California, San Diego（加州大学圣地亚哥分校）
预测车辆轨迹是自动驾驶车辆在复杂的城市交通场景中导航的一项基本能力。鸟瞰路线图信息为进行轨迹预测提供了有价值的信息，虽然最先进的模型通过图像卷积提取了这些信息，但辅助损失函数可以通过进一步编码社会和法律驾驶行为的常识来增强从深度学习中推断出的模式。由于人类驾驶行为本质上是多模态的，因此允许多模态输出的模型在标准度量上往往优于单一预测模型。我们提出了一个损失函数，通过对所有预测模式执行预期的驾驶规则来增强这种模型。我们的贡献轨迹预测是双重的，我们提出了一个新的度量，解决故障的情况下，越野率度量的惩罚轨迹，反对归因的航向（流向）的车道，我们表明这个度量是可微的，因此适合作为一个辅助损失函数。然后，我们使用这种辅助损失来扩展标准的多轨迹预测（MTP）和MultiPath模型，通过预测更好地符合道路车道遵循规则的轨迹，在nuScenes预测基准上实现改进的结果。
2021-01-28 cs.CV cs.RO
Aerial LaneNet: Lane Marking Semantic Segmentation in Aerial Imagery using Wavelet-Enhanced Cost-sensitive Symmetric Fully Convolutional Neural Networks
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Technical University of Munich（慕尼黑工业大学）
了解车道标记的位置和外观是创建高精度地图的先决条件，这对于自动驾驶、基础设施监控、车道交通管理和城市规划是必要的。车道标记是此类地图的重要组成部分之一。车道标记向驾驶员传达道路规则。虽然这些规则是由人类学习的，但自动驾驶汽车应该学会学习它们以定位自己。因此，需要在道路和高速公路的图像中准确且可靠的车道标记语义分割来实现这些目标。我们使用机载图像，它可以通过引入空中车道标记数据集在短时间内捕获大面积。在这项工作中，我们提出了一个对称的全卷积神经网络增强小波变换，以自动进行车道线分割航空影像。由于车道标记像素与背景像素的数量严重不平衡的问题，我们使用自定义的损失函数以及一种新型的数据增强步骤。我们实现了一个非常高的精度，在像素的车道标记定位，而不使用第三方信息。在这项工作中，我们介绍了我们的实验中使用的第一个高质量的数据集，其中包含广泛的情况和类别的车道标记代表当前的交通系统。该数据集将公开提供，因此，它可以用作该领域内未来算法的基准数据集。
2018-11-01 cs.CV
SparseLaneSTP: Leveraging Spatio-Temporal Priors with Sparse Transformers for 3D Lane Detection
Bosch Mobility Solutions, Robert Bosch GmbH（博世移动解决方案，罗伯特·博世有限公司）；Institute of Neuro- and Bioinformatics, University of Lübeck（神经与生物医学研究所，吕贝克大学）；Institute for Signal Processing and System Theory, University of Stuttgart（信号处理与系统理论研究所，斯图加特大学）
SparseLaneSTP通过整合车道结构的几何属性和时间信息，利用稀疏变换器和时空注意力机制，提升3D车道检测的精度和一致性。
2026-01-08 cs.CV
Traffic Lane Detection using FCN
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；Stanford University（斯坦福大学）
自动车道检测是一项关键技术，可使自动驾驶汽车在多车道城市驾驶环境中正确定位。然而，对于传统的图像处理或计算机视觉技术来说，在各种天气条件下检测不同的道路标记是一项具有挑战性的任务。近年来，深度学习和神经网络在这一领域的应用被证明是非常有效的。在这个项目中，我们设计了一个编码器-解码器，全卷积网络的车道线检测。该模型应用于真实世界的大规模数据集，并达到了优于我们的基线模型的准确度。
2020-04-19 cs.CV cs.LG eess.IV
A Dataset for Lane Instance Segmentation in Urban Environments
FiveAI Ltd.（FiveAI有限公司）
自动驾驶汽车需要了解周围的道路布局，这可以通过最先进的CNN来预测。这项工作解决了目前缺乏用于确定车道实例的数据的问题，这些车道实例是各种驾驶操作所需的。主要问题是耗时的手动标记过程，通常适用于每个图像。我们注意到，驾驶汽车本身就是一种注释形式。因此，我们提出了一种半自动化的方法，允许有效的标签的图像序列，利用估计的道路平面在3D的基础上，汽车已经驱动和投影标签从这个平面到所有图像的序列。每张图像的平均标记时间减少到5秒，并且只需要一个便宜的仪表盘凸轮进行数据捕获。我们发布了一个包含24，000张图像的数据集，并额外展示了实验性的语义分割和实例分割结果。
2018-08-02 cs.CV
Occupancy Detection in Vehicles Using Fisher Vector Image Representation
Xerox Research Center（施乐研究中心）
由于现代道路上的高交通量，运输机构提出了高占用车辆（HOV）车道和高占用收费（HOT）车道，以促进拼车。然而，这些车道的规则的执行目前是由路边执法人员使用视觉观察来执行的。众所周知，人工路边执法效率低下，成本高昂，具有潜在危险，最终无效。据报道，违规率高达50%-80%，而人工强制执行率通常不到10%。因此，需要自动车辆占用检测来支持HOV/HOT车道强制执行。确定车辆占用的关键组成部分是确定车辆的前排乘客座椅是否被占用。在本文中，我们研究了两种方法，确定车辆前排座位占用使用近红外（NIR）摄像头系统指向车辆的前挡风玻璃。第一种方法研究了一个国家的最先进的可变形的部分模型（DEPENDING）为基础的人脸检测系统，是强大的面部姿态。第二种方法使用视觉词袋（BOW）和Fisher向量（FV）检查最先进的基于局部聚集的图像分类。在公共道路上收集了3000张图像的数据集，并用于进行比较。从这些实验可以清楚地看出，图像分类方法对于这个问题是优越的。
2013-12-20 cs.CV
Camera Agnostic Two-Head Network for Ego-Lane Inference
NAVER LABS；Department of Mechanical Engineering, SNU（机械工程系，SNU）
本文提出一种相机无关的双头网络，直接从单张图像估计自车道索引，利用消失点线引导的注意力机制适应视点变化，无需精确标定，并在多样环境下验证了高适应性。
2024-04-19 cs.CV cs.LG cs.RO
End to End Video Segmentation for Driving : Lane Detection For Autonomous Car
Penn State University（宾夕法尼亚州立大学）
安全和减少道路交通事故仍然是自动驾驶的重要问题。统计数据显示，意外车道偏离是全球机动车碰撞的主要原因，使车道检测成为自动驾驶最有前途和最具挑战性的任务。如今，许多组织正在将深度学习技术与计算机视觉问题相结合，以解决自动驾驶问题。在本文中，全局卷积网络（GCN）模型被用来解决分类和定位问题的语义分割的车道。我们正在使用基于颜色的分割，并评估该模型的可用性。基于残差的边界细化和亚当优化也被用来实现最先进的性能。由于普通汽车无法负担车上的GPU，因此特定道路的训练课程可以由多辆汽车共享。我们提出了一个框架，让它在现实世界中工作。我们建立了一个实时的视频传输系统，从汽车上获取视频，在边缘服务器（配备GPU）中训练模型，并将训练好的模型发送回汽车。
2018-12-13 cs.CV
LSM: A Comprehensive Metric for Assessing the Safety of Lane Detection Systems in Autonomous Driving
University of Tübingen, Faculty of Science, Department of Computer Science, Embedded Systems Group（图宾根大学，科学学院，计算机科学系，嵌入式系统组）
本文提出LSM，一种用于评估自动驾驶中车道检测系统安全性的综合指标，考虑了场景语义、检测范围及车辆速度等因素，通过安全分数评估系统安全性。
2025-12-16 cs.CV
Lane Detection System for Driver Assistance in Vehicles
Institute of Informatics Federal University of Goiás Goiânia, Goiás；School of Electrical, Mechanical；Computer Engineering Federal University of Goiás Goiânia, Goiás；Institute of Informatics Federal University of Goiás Goiânia, Goiás matheus\
本研究开发基于传统计算机视觉的车道检测系统，通过含相机标定、滑动窗口等的图像处理流水线实现多场景车道精准检测，在多种条件下表现良好，具驾驶辅助应用潜力。
2024-10-05 cs.CV
3D-LaneNet: End-to-End 3D Multiple Lane Detection
General Motors Israel（通用汽车以色列公司）
我们介绍了一个网络，直接预测的道路场景中的车道从一个单一的图像的3D布局。这项工作标志着第一次尝试通过车载传感来解决这一任务，而无需假设已知的恒定车道宽度或依赖于预先映射的环境。我们的网络架构，3D-LaneNet，应用了两个新概念：网络内反向透视映射（IPM）和基于锚的车道表示。网络内IPM投影促进了常规图像视图和顶视图中的双重表示信息流。每列锚输出表示使我们的端到端的方法，取代常见的算法，如聚类和离群拒绝，铸造车道估计作为一个目标检测问题。此外，我们的方法显式地处理复杂的情况，如车道合并和拆分。结果显示在两个新的3D车道数据集上，一个是合成的，一个是真实的。为了与现有方法进行比较，我们在仅图像tuSimple车道检测基准上测试了我们的方法，实现了与最先进技术相竞争的性能。
2019-09-10 cs.CV cs.LG cs.RO
Prior Based Online Lane Graph Extraction from Single Onboard Camera Image
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（荷语鲁汶大学）
提出利用基于Transformer的Wasserstein自编码器提取先验，通过优化潜在空间向量增强单目图像车道图在线提取，在NuScenes和Argoverse上显著优于现有方法。
2023-07-25 cs.CV
Advancing Autonomous Vehicle Intelligence: Deep Learning and Multimodal LLM for Traffic Sign Recognition and Robust Lane Detection
School of Computer Science and Engineering, Beihang University（北京航空航天大学计算机科学与工程学院）；School of Vehicle and Mobility, Tsinghua University（清华大学车辆与 Mobility 学院）
本文提出结合深度学习与多模态大语言模型的自动驾驶道路感知框架，在交通标志识别和车道检测上取得高精度，并提升复杂场景下的推理可靠性与安全性。
2025-03-08 cs.AI cs.CL cs.CV
Phase Space Reconstruction Network for Lane Intrusion Action Recognition
Institute for Artificial Intelligence at Tsinghua University（清华大学人工智能学院）；State Key Laboratory of Intelligent Technology and Systems（智能技术与系统国家重点实验室）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）；Center for Intelligent Connected Vehicles and Transportation（智能网联汽车与交通中心）；Department of Computer Sicence and Technology, Tsinghua University（清华大学计算机科学与技术系）
在复杂的道路交通场景中，行人或骑自行车的人非法侵入车道构成了自动驾驶应用的主要安全挑战之一。在本文中，我们提出了一种新的对象级相空间重构网络（PSRNet）的运动时间序列分类，旨在识别车道入侵行动发生在150米前，通过一个单目摄像头固定在移动车辆。在PSRNet中，行人和骑自行车的人的运动，特别是被视为一个可观察的对象级动态过程，可以被重建为潜在相空间中的状态向量的轨迹，并进一步通过一个可学习的李雅普诺夫指数分类器，表示歧视的状态轨迹的平均指数发散。此外，为了首先将视频输入转换为每个对象的一维运动时间序列，提出了基于视觉对象检测跟踪的车道宽度归一化。在从真实城市道路中采集的THU-IntrudBehavior数据集上进行了大量的实验。结果表明，我们的PSRNet可以达到98.0%的最佳准确率，这明显超过现有的动作识别方法超过30%。
2021-02-22 cs.CV
A Study on Quantifying Sim2Real Image Gap in Autonomous Driving Simulations Using Lane Segmentation Attention Map Similarity
Daegu Gyeongbuk Institute of Science and Technology（大邱庆北科学技术院）
针对自动驾驶仿真图像逼真度缺乏量化指标的问题，本文提出基于ENet-SAD注意力图相似度的度量方法，并在CARLA仿真图像上验证其有效性。
2023-06-18 cs.CV cs.RO
