LVLane: Deep Learning for Lane Detection and Classification in Challenging Conditions

要約

車線検出は、自動運転車と先進運転支援システム (ADAS) の分野で極めて重要な役割を果たします。
画像処理からディープ ラーニング ベースのモデルへの進歩にもかかわらず、アルゴリズムのパフォーマンスは、極端な照明条件、部分的に見える車線区分線、ボッツ ドットのようなまばらな車線区分線などの局所的な課題に一致するトレーニング データに大きく依存します。
これに対処するために、深層学習手法に基づいたエンドツーエンドの車線検出および分類システムを紹介します。
私たちの研究では、最先端 (SOTA) 車線位置特定モデルに重大な課題をもたらすシナリオを網羅するために、細心の注意を払って厳選された独自のデータセットを導入します。
さらに、検出器とシームレスに統合され、異なる車線タイプの識別を容易にする CNN ベースの分類ブランチを提案します。
このアーキテクチャにより、情報に基づいた車線変更の意思決定が可能になり、より回復力のある ADAS 機能が強化されます。
また、さまざまなモデルやバッチ サイズで混合精度のトレーニングとテストを使用した場合の影響も調査します。
広く使用されている TuSimple データセット、Caltech Lane データセット、および LVLane データセットに対して行われた実験評価により、困難なシナリオの中で車線を正確に検出および分類する際のモデルの有効性が実証されました。
私たちの手法は、TuSimple データセット上で最先端の分類結果を達成します。
この作品のコードは、www.github.com/zillur-av/LVLane でご覧いただけます。

要約(オリジナル)

Lane detection plays a pivotal role in the field of autonomous vehicles and advanced driving assistant systems (ADAS). Despite advances from image processing to deep learning based models, algorithm performance is highly dependent on training data matching the local challenges such as extreme lighting conditions, partially visible lane markings, and sparse lane markings like Botts’ dots. To address this, we present an end-to-end lane detection and classification system based on deep learning methodologies. In our study, we introduce a unique dataset meticulously curated to encompass scenarios that pose significant challenges for state-of-the-art (SOTA) lane localization models. Moreover, we propose a CNN-based classification branch, seamlessly integrated with the detector, facilitating the identification of distinct lane types. This architecture enables informed lane-changing decisions and empowers more resilient ADAS capabilities. We also investigate the effect of using mixed precision training and testing on different models and batch sizes. Experimental evaluations conducted on the widely-used TuSimple dataset, Caltech Lane dataset, and our LVLane dataset demonstrate the effectiveness of our model in accurately detecting and classifying lanes amidst challenging scenarios. Our method achieves state-of-the-art classification results on the TuSimple dataset. The code of the work can be found on www.github.com/zillur-av/LVLane.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google