LOID：有效提升遮挡条件下的车道检测精度

1.论文信息

• 论文标题：LOID: Lane Occlusion Inpainting and Detection for Enhanced Autonomous Driving Systems

• 作者：Aayush Agrawal, Ashmitha Jaysi Sivakumar, Ibrahim Kaif∗, Chayan Banerjee†

• 作者单位：印度马德拉斯印度理工学院，昆士兰科技大学

• 论文链接：https://arxiv.org/pdf/2408.09117

2.摘要

精确的车道检测对于自动驾驶中的有效路径规划和车道跟随至关重要，尤其是在车辆和行人遮挡显著的场景中。现有模型在这些条件下常常表现不佳，导致导航不可靠和安全风险。我们提出了两种创新方法来增强这些具有挑战性环境中的车道检测，每种方法都比当前方法有显著改进。第一种方法aug-Segment通过在CULanes训练数据集上增加模拟遮挡并训练一个分割模型来改进传统的车道检测模型。这种方法在CULanes数据集上比多个SOTA模型提高了12%，表明丰富的训练数据可以更好地处理遮挡。然而，由于该模型缺乏对某些设置的鲁棒性，我们的主要贡献是第二种方法，即LOID车道遮挡修复和检测。LOID引入了一个先进的车道检测网络，该网络使用图像处理管道来识别和遮盖遮挡。然后使用修复模型重建遮挡区域的道路环境。增强后的图像由车道检测算法处理，分别在BDDK100和CULanes数据集上比几个SOTA模型提高了20%和24%，突出了这种新技术的有效性。

3.主要贡献

• 利用一个经过遮挡增强的自定义数据集来训练一个YOLOv8-seg模型（augSegment），该模型在多个SOTA模型上表现出性能提升；

• 引入了一个基于深度学习的pipeline，名为LOID（车道遮挡修复和检测），它由三个组件组成：动态遮挡的检测、被遮挡车道标记的重建以提供完整一致的道路表示，以及随后清晰车道线的检测。LOID在多个SOTA模型和aug-Segment上取得了显著的性能提升。LOID还显示出对几个流行数据集的良好适应性和鲁棒性。

4，核心思想与方法

为了应对遮挡导致信息丢失的问题，如下图所示，所提出的pipeline构建了三个关键节点：检测、修复和分割。

• 检测节点：pipeline从检测节点开始，该节点识别并定位道路上的遮挡，随后生成其掩码。这个过程采用YOLOv8目标检测模型；

• 修复节点：pipeline的下一部分是修复节点。它接收来自检测节点的掩码图像，并将它们传递给CR-Fill，这是一个上下文重建模型。这有助于重建因车辆遮挡而受阻的车道。

• 分割节点：最后，使用YOLOPv2模型，这是一个全景驾驶感知系统，它分割修复帧中存在的车道区域。

Overview of LOID Architecture.

5.实验验证仿真

6.总结

本文提出了两种处理车道检测中道路遮挡的方法：aug-Segment和LOID。"aug-Segment"是一个轻量级模型，通过使用遮挡增强的数据集进行训练。这种方法在与使用类似源数据的SOTA模型相比，mIoU提高了约12%。该模型提供了较低的推理时间，特别适合于期望一致帧率但需要高推理时间的应用。

接下来我们介绍LOID，这是一个车道检测pipeline，它从一开始就通过检测和修复遮挡，然后再执行车道检测来处理遮挡。LOID具有高度的适应性；允许定制和调整各个组件以满足各种应用的具体要求。使用检测和修复管道将YOLOPv2模型的mIoU提高了22%，推理时间略有增加。LOID的推理时间为0.04秒，比YOLOPv2高出14%，LOID可以以每秒25帧的速度运行。鉴于每秒25帧的帧率对于高级驾驶辅助系统（ADAS）来说是足够的，使用LOID对于实时驾驶应用是可行的。

点击下方卡片，关注公众号：智驾机器人技术前线

第一时间获取最热行业热点资讯，最新智驾机器人行业技术