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
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
Implementation of Road Safety Perception in Autonomous Vehicles in a Lane Change Scenario
Johannes Kepler University Linz（林茨约翰内斯·开普勒大学）
理解人类驾驶行为对于开发自动驾驶汽车算法至关重要。然而，大多数低级自动化，例如高级驾驶辅助系统（ADAS）中的自动化，都是基于客观的安全措施，这些措施并不总是与驾驶员认为安全的内容及其相应的驾驶行为保持一致。本文分析了在主观感知和客观安全措施之间寻找桥梁的问题，特别关注换道场景。结果表明，什么是被认为是安全的驾驶员和客观的指标，这取决于具体的机动和位置的司机之间的统计显着差异。
2022-11-02 cs.RO
RoadWeaver: Large-Scale Lane-Level HD Map Generation from Scratch for Autonomous Driving Simulation
该研究提出RoadWeaver框架，以由粗到细的方式从零生成大规模车道级高清地图，其性能优于现有最优方法，生成的地图可直接用于自动驾驶仿真。
2026-08-13 cs.AI cs.RO
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
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
Data-Dependent Hidden Markov Model with Off-Road State Determination and Real-Time Viterbi Algorithm for Lane Determination in Autonomous Vehicles
University of California, Riverside（加州大学河滨分校）
针对车道序列判定中 HMM 概率依赖经验参数且无法处理越野位置的问题，提出以传感器数据为条件的时变 HMM 与实时 Viterbi 算法，平均准确率达 95.9%。
2025-05-09 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
Hybrid tracker based optimal path tracking system for complex road environments for autonomous driving
Daegu Gyeongbuk Institute of Science and Technology（大邱庆北科学技术院）
本文提出一种基于混合跟踪器的自动驾驶最优路径跟踪系统，融合深度学习车道检测、快速车道拟合及观察者机制，在多种复杂道路中保持车道内精确行驶与稳定舒适性。
2021-04-29 cs.RO
Using Language and Road Manuals to Inform Map Reconstruction for Autonomous Driving
Department of Computer Science and Engineering, University of California San Diego（计算机科学与工程系，加州大学圣地亚哥分校）
本研究利用道路设计规范和道路名称等自然语言信息，轻量级增强SMERF模型，结合OSM元数据与车道宽度先验，在复杂交叉口场景中提升车道拓扑预测性能。
2025-06-20 cs.AI cs.RO
Separated RoadTopoFormer
Advanced Micro Devices, Inc.（超威半导体公司（AMD））
本文提出分离式道路拓扑Transformer，通过端到端框架分别优化车道中心线检测、交通元素检测及关系推理模块，解决自动驾驶场景中车道与交通元素连接关系建模问题，最终取得0.445 OLS的竞争性成绩。
2023-07-04 cs.AI 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
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
Chameleon: Fast-slow Neuro-symbolic Lane Topology Extraction
Institute for AI Industry Research (AIR), Tsinghua University（清华大学人工智能产业研究院（AIR））；Bosch Corporate Research, China（博世中国企业研究中心）；Institute for Interdisciplinary Information Sciences(IIIS), Tsinghua University（清华大学交叉信息研究院）
本文提出Chameleon算法，通过快慢交替的神经符号推理结合视觉语言模型，以低成本实现高精度的车道拓扑提取，并在OpenLane-V2上验证了其有效性。
2025-03-10 cs.CV
Lane-Level Route Planning for Autonomous Vehicles
Nuro（Nuro公司）
针对自动驾驶车辆的车道级路径规划问题，本文将随机变道决策建模为 MDP，并提出类 Dijkstra 算法以 O(n log n) 复杂度求解最优预期成本路径。
2023-07-13 cs.RO
Energy-Efficient Lane Changes Planning and Control for Connected Autonomous Vehicles on Urban Roads
University of California, Berkeley（加州大学伯克利分校）
本文提出一种利用SPaT信息的城市道路CAV节能换道规划与控制方法，结合人类驾驶启发式决策和优化轨迹规划，实验证明相比车道保持算法可节省37.1%能耗。
2023-11-28 cs.RO cs.SY eess.SY
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
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
RONELDv2: A faster, improved lane tracking method
Georgia Institute of Technology（佐治亚理工学院）；Aison Pte. Ltd.（Aison私人有限公司）
车道检测是自动驾驶车辆控制系统和车道偏离警告系统的组成部分，因为车道是道路车辆运行环境的关键组成部分。在之前的论文中，提出了一种鲁棒的神经网络输出增强主动车道检测（RONELD）方法，该方法增强了深度学习车道检测模型，以提高主动或自我车道准确性性能。本文通过进一步研究车道跟踪方法来扩展工作，以增加该方法对车道变化和不同车道尺寸（例如车道标记厚度）的鲁棒性，并提出了一种改进的、重量更轻的车道检测方法RONELDv2。它通过检测车道点方差，合并车道以找到更准确的车道参数集，并使用指数移动平均方法来计算更鲁棒的车道权重，从而改进了先前的RONELD方法。使用所提出的改进的实验表明，不同数据集和深度学习模型的车道检测准确性结果一致提高，并且通过运行时间减少高达两倍来降低计算复杂性，这增强了其在自动驾驶汽车和车道偏离警告系统上实时使用的适用性。
2022-02-26 cs.CV 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
HSDF-Lane: Height-Aligned Signed Distance Field with Semantic Lane Prior for 3D Lane Detection
KAIST（韩国科学技术院）
提出HSDF-Lane，通过高度对齐符号距离场隐式建模道路表面，结合可微渲染生成准确高度图和表面对齐特征，并引入车道感知语义位置编码注入车道先验，在OpenLane基准上实现3D车道检测和高度图估计的最优性能。
2026-07-01 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
Map-Enhanced Ego-Lane Detection in the Missing Feature Scenarios
作为自动驾驶系统中最重要的任务之一，自我车道检测已经得到了广泛的研究，并在许多场景中取得了令人印象深刻的结果。然而，在缺失特征场景中的自我车道检测仍然是一个未解决的问题。为了解决这个问题，以前的方法一直致力于提出更复杂的特征提取算法，但他们是非常耗时的，不能处理极端的情况。与其他算法不同的是，本文利用了数字地图中蕴含的先验知识，这对提高检测算法的性能有很强的作用。具体来说，我们采用从OpenStreetMap中提取的道路形状作为车道模型，这是高度一致的真实车道形状和车道特征无关。在此基础上，提出了一种基于搜索的车道线优化算法。实验表明，该方法可以应用于各种场景，并能在20 Hz的频率下实时运行。与此同时，我们在公共KITTI Lane数据集上评估了所提出的方法，在那里它实现了最先进的性能。此外，我们的代码在发布后将是开源的。
2020-04-04 cs.CV
Robust Deep-Learning-Based Road-Prediction for Augmented Reality Navigation Systems
Daimler AG R&D（戴姆勒股份公司研发部）；University of Ulm（乌尔姆大学）
本文提出了一种利用深度学习技术从摄像头传感器预测道路路线的方法。通过在大量包括不利天气条件的全场景标记的夜间道路图像上训练多尺度卷积神经网络来识别道路像素。提出了一个框架，适用于所提出的方法，以较长距离的道路路线估计，这是一个增强现实导航应用程序的基础。在该框架中，将远程传感器数据（雷达）和来自地图数据库的数据与短程传感器数据（相机）融合，以产生精确的纵向和横向定位以及道路路线估计。所提出的方法可靠地检测有和没有车道标记的道路，从而提高了道路路线估计和增强现实导航的鲁棒性和可用性。从差分GPS和惯性测量单元获取的大量高精度地面实况数据的评估表明，所提出的方法达到了最先进的性能，而不需要现有的车道标记的限制。
2016-05-31 cs.CV cs.LG 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
Lane level context and hidden space characterization for autonomous driving
CNRS UMR 7253 Heudiasyc（法国国家科学研究中心 Heudiasyc 混合实验室）；Renault S.A.S（雷诺股份有限公司）
对于自动驾驶汽车来说，情况理解是实现安全舒适决策和导航的关键能力。信息通常由多个来源提供。关于道路拓扑和交通规则的先验信息可以由高清（HD）地图给出，而感知系统提供了空间和车辆周围环境中演变的道路实体的描述。在复杂的情况下，如在城市地区遇到的，道路使用者的行为是由强烈的相互作用与他人，并与道路网络。在这种情况下，可靠的情况理解，因此是强制性的，以避免不适当的决定。然而，情况理解是一项复杂的任务，需要获得一致的和非误导性的车辆周围环境的表示。本文提出了一种形式主义（交互车道网格），它允许表示，不同层次的抽象，thenavigable和相互作用的空间，必须考虑安全航行。选择自上而下的方法来评估和描述情况的相关信息。在一个高层次的抽象，识别感兴趣的领域，车辆应该注意的是描绘。在较低的层次上，它能够以统一的表示来表征空间信息，并通过与动态对象的推理来推断包含区域的附加信息。
2021-10-21 cs.RO
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
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
A novel framework for adaptive stress testing of autonomous vehicles in multi-lane roads
提出一种多车道场景下自动驾驶车辆自适应压力测试新框架，通过新奖励函数引导深度强化学习识别碰撞风险，实验证明优于现有方法。
2024-09-19 cs.AI cs.RO
Development of a Testbed for Autonomous Vehicles: Integrating MPC Control with Monocular Camera Lane Detection
Islamic University of Technology（伊斯兰理工大学）
本文提出了一种结合MPC控制与单目摄像头车道检测的新方法，用于提高自动驾驶车辆轨迹跟踪的精度和稳定性，并通过仿真验证了控制器的鲁棒性和灵活性。
2025-11-26 cs.RO
ONCE-3DLanes: Building Monocular 3D Lane Detection
Fudan University（复旦大学）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
我们介绍了ONCE-3DLanes，这是一个真实的自动驾驶数据集，在3D空间中具有车道布局注释。传统的2D车道检测从单目图像产生以下的规划和控制任务在自动驾驶由于不平坦的道路的情况下的性能差。因此，预测3D车道布局是必要的，并且能够实现有效和安全的驾驶。然而，现有的3D车道检测数据集要么是未公开的，要么是从模拟环境中合成的，严重阻碍了该领域的发展。在本文中，我们将采取措施解决这些问题。通过利用点云和图像像素之间的显式关系，数据集注释管道被设计为从211 K道路场景中的2D车道注释自动生成高质量的3D车道位置。此外，我们提出了一个extrinsic-free，锚免费的方法，称为SALAD，回归的三维坐标的车道在图像视图中，而不转换的功能地图到鸟瞰图（BEV）。为了便于未来的研究三维车道检测，我们基准数据集，并提供了一个新的评价指标，现有的方法和我们提出的方法进行了广泛的实验。我们的工作的目的是恢复在现实世界中的三维车道检测的兴趣。我们相信我们的工作可以在学术界和工业界带来预期和意想不到的创新。
2022-05-14 cs.CV
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
Multi Lane Detection
本文基于CNN主干网络DLA-34与Affinity Fields，提出一种无需假设车道数量的鲁棒多车道检测方法，并研究新型解码方法以提升算法效率。
2023-05-17 cs.CV
Empirical Performance Evaluation of Lane Keeping Assist on Modern Production Vehicles
Civil & Environmental Engineering , University of South Florida（土木与环境工程系，佛罗里达州立大学）；Department of Transportation Engineering , Fuzhou University（交通运输工程系，福州大学）
本文基于量产车LKA开放数据集开展实证分析，划分三类故障模式、揭示其车道居中策略的漂移特性、明确故障高发的道路环境因素，还提出理论模型与机器学习评估工具，助力基础设施规划与自动驾驶技术优化。
2025-05-14 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
MultiCruise: Eco-Lane Selection Strategy with Eco-Cruise Control for Connected and Automated Vehicles
National Institute of Informatics（国立情报学研究所）；Carnegie Mellon University（卡内基梅隆大学）；General Motors Company（通用汽车公司）
互联和自动驾驶车辆（CAV）通过使用本地车载传感器、V2X（车对一切）通信、预加载的车辆特定查找表和地图数据库，获得来自周围环境的实时信息。CAV能够通过整合这些信息来提高能源效率。特别是，高速公路和/或高速公路上的生态巡航和生态车道选择具有巨大的节能潜力，因为通常有更少的交通控制器和车辆保持移动。在本文中，我们提出了一个合作和节能的车道选择策略，名为MultiCruise，其中每个CAV选择多个候选车道，允许最节能的旅行之一。MultiCruise采用了Eco-Cruise组件来选择最节能的车道。Eco-Cruise组件计算每个候选车道的自我车辆的驾驶参数和预期能耗，Eco-Lane Selection组件使用这些值。因此，MultiCruise可以考虑多个数据源，例如道路曲率和周围车辆的速度和加速度。生态自动驾驶策略，MultiCruise，测试，设计和验证，使用一个联合仿真测试平台，包括自动驾驶软件和现实的道路网络，以研究在现实驾驶条件下的性能。我们的实验评估表明，我们的生态自主MultiCruise可节省高达8.5%的燃油消耗。
2021-04-24 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
A Joint 3D-2D based Method for Free Space Detection on Roads
IIT Delhi（德里印度理工学院）；IIIT Delhi（德里印度信息技术学院）
在本文中，我们解决的问题，道路分割和自由空间检测的背景下，自动驾驶。传统方法使用三维（3D）线索，诸如从LIDAR、RADAR或立体相机获得的点云，或者使用二维（2D）线索，诸如车道标记、道路边界和目标检测。典型的3D点云没有足够的分辨率来检测道路和人行道之间的高度差异。基于图像的2D提示在遇到不平坦的道路纹理时会失败，例如由于阴影，坑洞，车道标记或道路恢复。我们提出了一种新的自由道路空间检测技术相结合的2D和3D线索。特别是，我们使用CNN为基础的道路分割从二维图像和平面/盒拟合稀疏的深度数据从SLAM作为先验公式的能量最小化使用条件随机场（CRF），道路像素分类。虽然CNN学习道路纹理并且不受深度边界的影响，但是3D信息有助于克服基于纹理的分类失败。最后，我们使用所获得的道路分割与3D深度数据从单目SLAM检测自由空间的导航目的。我们在KITTI里程数据集，Camvid数据集以及我们捕获的视频上的实验验证了所提出的方法优于现有技术。
2018-01-15 cs.CV
Heatmap-based Vanishing Point boosts Lane Detection
Tianjin University（天津大学）
基于视觉的车道线检测是自动驾驶技术的关键部分，也是一个具有挑战性的问题。消失点作为场景合成的重要约束条件之一，可以为车道线检测提供有用的线索。本文提出了一种新的多任务融合网络结构，用于高精度车道线检测。首先，以ERFNet为骨干提取道路图像的层次特征。然后，车道检测使用图像分割。最后，结合车道检测的输出和主干提取的层次特征，使用热图回归预测车道VP。使用公共CULANE数据集对所提出的融合策略进行了测试。实验结果表明，我们的方法的车道线检测精度优于国家的最先进的（SOTA）的方法。
2020-07-30 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
TopoMLP: A Simple yet Strong Pipeline for Driving Topology Reasoning
Beijing Institute of Technology（北京理工大学）；MEGVII Technology（旷视科技）；University of Science and Technology of China（中国科学技术大学）；SKL-IOTSC, University of Macau（澳门大学智慧城市物联网国家重点实验室）
拓扑推理旨在全面理解道路场景，并在自动驾驶中呈现可行驶路线。它需要检测道路中心线（车道）和交通元素，进一步推理它们的拓扑关系，即，车道-车道拓扑和车道-交通拓扑。在这项工作中，我们首先提出的拓扑分数很大程度上依赖于车道和交通元素的检测性能。因此，我们引入了功能强大的3D车道检测器和改进的2D交通元素检测器来扩展拓扑性能的上限。此外，我们提出TopoMLP，一个简单而高性能的管道驱动拓扑推理。基于令人印象深刻的检测性能，我们开发了两个简单的基于MLP的头拓扑生成。TopoMLP在OpenLane-V2基准测试中达到了最先进的性能，即，41.2%的OLS具有ResNet-50骨架。它也是第一届OpenLane Topology in Autonomous Driving Challenge的第一个解决方案。我们希望这种简单而强大的管道可以为社区提供一些新的见解。代码位于https://github.com/wudongming97/TopoMLP。
2023-11-01 cs.CV
Topology Preserving Local Road Network Estimation from Single Onboard Camera Image
ETH Zurich（苏黎世联邦理工学院）；KU Leuven（鲁汶大学）
道路网络拓扑结构的知识是至关重要的自主规划和导航。然而，从单个图像中恢复这样的拓扑结构只进行了部分探索。此外，它需要参考地平面，在那里也采取了驱动动作。本文的目的是提取当地的道路网络拓扑结构，直接在鸟瞰图（BEV），都在一个复杂的城市设置。唯一的输入包括一个单一的板载，前视相机图像。我们使用一组有向车道曲线及其相互作用来表示道路拓扑，这些曲线是使用它们的交点来捕获的。为了更好地捕捉拓扑，我们引入了\emph{minimal cycles}的概念及其覆盖。最小圈是由有向曲线段（两个交点之间）形成的最小圈。覆盖是一组曲线，其线段参与形成最小圈。我们首先表明，覆盖足以唯一地表示道路拓扑结构。然后，覆盖层用于监督深度神经网络，以及车道曲线监督。这些学习从单个输入图像预测道路拓扑。NuScenes和Argoverse基准测试的结果明显好于基线测试的结果。代码：www.example.com
2022-03-30 cs.CV
Localization under Topological Uncertainty for Lane Identification of Autonomous Vehicles
University of Massachusetts（马萨诸塞大学）；Nissan Research Center（日产研究中心）
自动驾驶汽车（AV）需要准确的度量和拓扑位置估计，以实现安全、有效的导航和决策。虽然有许多高清（HD）路线图，但它们并不总是准确的，因为公共道路是动态的，由人类活动和自然不可预测地塑造。因此，AV必须能够处理地图指定的拓扑与现实不一致的情况。我们提出的可变结构多隐马尔可夫模型（VSM-HMM）作为一个框架，在拓扑不确定性的存在下进行本地化，并证明其有效性的AV车道成员建模为一个拓扑本地化过程。VSM-延迟使用延迟的动态集合来同时推理最可能的当前拓扑的集合内的位置，并且因此还可以应用于拓扑结构估计以及AV车道估计。此外，我们提出了一个扩展的地球移动器的距离，允许不确定性时，考虑到计算任意相对大小的单纯形的信念分布之间的距离。
2018-03-04 cs.AI cs.RO
Geometry-Guided Representations for Coherent Lane and Traffic Topology Reasoning in Driving Scenes
FNii；SSE, CUHK-Shenzhen；HKUST-Guangzhou（HKUST-广州）；Tencent Map T-Lab（腾讯地图T实验室）
研究自动驾驶中道路拓扑推理问题，提出CoPo统一框架，通过整合感知层、推理层和监督层的几何引导关系建模，实现感知与推理的端到端联合优化，实验证明该方法在多个指标上优于现有方法。
2026-07-27 cs.CV
Controlled Experiments on Lane Changing by Transitional Autonomous Vehicle: Dataset and Behavioral Insights
North Carolina State University（北卡罗来纳州立大学）
本研究通过公共道路控制实验构建了NC-tALC数据集，刻画过渡自动驾驶车辆的强制变道行为，揭示其变道过程中的车距演变与碰撞风险规律，为相关评估与验证提供实证基准。
2026-08-07 cs.RO cs.SY eess.SY
Memory Guided Road Detection
Indian Institute of Technology Gandhinagar（印度理工学院甘地纳加尔分校）
在自动驾驶汽车应用中，需要在给定输入RGB前向图像的情况下预测车道的位置。在本文中，我们提出了一个架构，使我们能够提高道路检测的速度和鲁棒性，而不会有很大的命中精度，通过引入一个底层的共享特征空间，随着时间的推移，这是作为一个流动的动态记忆传播。通过利用先前帧的要点，我们训练网络以更高的精度和更小的偏差预测当前道路。
2021-06-27 cs.CV
Hardware Acceleration of Lane Detection Algorithm: A GPU Versus FPGA Comparison
Ain Shams University（艾因夏姆斯大学）；STMicroelectronics（意法半导体）；Electronics Research Institute（电子研究所）
一个完整的计算机视觉系统可以分为两大类：检测和分类。车道线检测算法是计算机视觉检测范畴的一部分，已在自动驾驶和智能车辆系统中得到应用。车道检测系统负责在复杂的道路环境中进行车道标记。同时，车道线检测在车辆偏离车道时的预警系统中起着至关重要的作用。实现的车道线检测算法主要分为两个步骤：边缘检测和直线检测。在本文中，我们将比较使用FPGA和GPU获得的最先进的实现性能，以评估延迟，功耗和利用率的权衡。我们的比较强调了这两个系统的优点和缺点。
2022-12-19 cs.CV eess.IV
Optimal Trajectory Generation for Autonomous Vehicles Under Centripetal Acceleration Constraints for In-lane Driving Scenarios
本文提出了一种新的方法，生成最佳轨迹的自动驾驶车辆在车道内行驶的情况下。该方法使用两阶段优化过程来计算轨迹。在第一阶段，优化过程产生一个封闭形式的驾驶指导线与可重构的曲率。在第二阶段，该程序以行驶引导线为输入，输出车辆沿引导线行驶的动态可行、加加速度和时间最优轨迹。该方法对于在弯曲道路上生成轨迹特别有用，其中车辆需要施加频繁的加速和减速以适应向心加速度限制。
2021-12-03 cs.RO
RoGS: Adaptive Meshgrid Gaussian for Large-Scale Road Surface Mapping
School of Automation and Intelligent Sensing, Shanghai Jiao Tong university（上海交通大学自动化与智能感知学院）；State Key Laboratory of Avionics Integration and Aviation System-of-Systems Synthesis（航空电子集成与航空系统-of-系统综合国家重点实验室）；Shanghai Key Laboratory of Navigation and Location Based Services（上海基于位置服务重点实验室）
针对大规模路面映射中传统方法的局限，提出ROADGS-T框架，基于自适应网格高斯表示，通过放置二维高斯面片建模路面，减少冗余，并引入自适应网格和姿态稳健细化策略，提升表示效率和结构保真度。
2026-08-20 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
3D Lane Detection with Odometry for High-Speed Vehicle Racing
研究高速赛车场景下的3D车道检测问题，通过新数据集比较多种方法，提出改进措施，利用多摄像头集成及里程计等提升性能，相比其他方法提高了F1分数并降低误差，在车辆部署中取得良好指标。
2026-07-17 cs.CV eess.IV
From Observation to Prediction: LSTM for Vehicle Lane Change Forecasting on Highway On/Off-Ramps
C-DRiVeS Lab: Cognitive Driving Research in Vehicular Systems（C-DRiVeS实验室：车载系统认知驾驶研究）；Computer Science and Engineering Department - Faculty of Media Engineering and Technology - German University in Cairo（计算机科学与工程系 - 媒体工程与技术学院 - 埃及德国大学）
本文研究了高速公路进出匝道区域与直线路段的区别，利用多层LSTM架构和ExiD无人机数据集训练模型，测试了不同预测时间范围和不同模型的工作流程，结果表明在4秒内预测准确率可达76%（匝道区域）和94%（一般高速公路场景）.
2026-01-21 cs.AI cs.LG cs.NE
