ElasticLaneNet: An Efficient Geometry-Flexible Approach for Lane Detection

要約

車線検出のタスクには、走行領域の境界をリアルタイムで特定することが含まれる。可変で複雑な幾何学的構造を持つ車線を認識することは、依然として課題である。本論文では、新規で柔軟な暗黙的車線表現方法である「弾性車線マップ(Elastic Lane map (ELM)}」を探索し、効率的な物理情報に基づいたエンドツーエンドの車線検出フレームワークであるElasticLaneNet(Elastic interaction energy-informed Lane detection Network)を紹介します。このアプローチは、予測された車線を、弾性相互作用エネルギー損失関数(EIE loss)に導かれてグランドトゥルース(ground truth)に引き寄せられる、フレキシブルな形状をした⊖ELM｝上の移動するゼロ輪郭とみなす。我々のフレームワークは大域的な情報と低レベルの特徴をうまく統合している。本手法は、大きな曲率、交差点における弱い形状特徴、複雑な交差車線、Y字型車線、密集車線など、複雑な車線シナリオにおいて優れた性能を発揮する。我々のアプローチを3つのデータセットに適用する：SDLane、CULane、TuSimpleである。その結果，構造的に多様なSDLaneにおいて，F1スコア89.51，Recall率87.50，Precision率91.61を達成し，高速な推論速度で最先端の結果を得た．

要約(オリジナル)

The task of lane detection involves identifying the boundaries of driving areas in real-time. Recognizing lanes with variable and complex geometric structures remains a challenge. In this paper, we explore a novel and flexible way of implicit lanes representation named \textit{Elastic Lane map (ELM)}, and introduce an efficient physics-informed end-to-end lane detection framework, namely, ElasticLaneNet (Elastic interaction energy-informed Lane detection Network). The approach considers predicted lanes as moving zero-contours on the flexibly shaped \textit{ELM} that are attracted to the ground truth guided by an elastic interaction energy-loss function (EIE loss). Our framework well integrates the global information and low-level features. The method performs well in complex lane scenarios, including those with large curvature, weak geometry features at intersections, complicated cross lanes, Y-shapes lanes, dense lanes, etc. We apply our approach on three datasets: SDLane, CULane, and TuSimple. The results demonstrate exceptional performance of our method, with the state-of-the-art results on the structurally diverse SDLane, achieving F1-score of 89.51, Recall rate of 87.50, and Precision of 91.61 with fast inference speed.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL