一文解决3D车道线检测：最新单目3D车道线检测综述

前言

场景理解是自动驾驶中极具挑战的任务，尤其是车道检测。车道是道路分割的关键，对车辆安全高效行驶至关重要。车道检测技术能自动识别道路标记，对自动驾驶车辆至关重要，缺乏这项技术可能导致交通问题和事故。车道检测面临多种挑战，包括车道标记的小尺寸、广泛分布、多种车道类型、光线条件、障碍物和纹理干扰等。

基于摄像头的车道检测方法

可以主要分为二维（2D）和三维（3D）车道检测。

2D车道检测

2D车道检测方法旨在准确描绘图像中车道的形状和位置，主要采用四种不同的方法：基于分割、基于锚点、基于关键点和基于曲线的策略。(1) 基于分割的方法将2D车道检测框定为像素级分类挑战，生成车道掩码。这些方法通过探索有效的语义特征并进行后处理来培养车道分组，但它们的计算成本较高。(2) 基于锚点的方法在2D车道检测中因其简单性和高效性而受到称赞，通常使用线性锚点来回归相对于目标的位置偏移。为了规避线性锚点的限制，使用内在车道空间生成各种车道候选点。启发式设计的行锚点将行像素分类为车道，在中进一步演变为混合（行和列）锚点，以减轻侧车道的定位误差。此外，这种方法显著提高了推理速度。(3) 基于关键点的方法提供了更灵活和稀疏的车道位置建模，首先估计点位置，然后使用各种方案将属于同一车道的关键点关联起来。中的主要策略是通过预定义关键点和回归采样点与预定义点之间的偏移来预测2D车道。尽管这些方法取得了有希望的结果，但由于其固定点设计，缺乏适应复杂车道配置的灵活性。(4) 基于曲线的方法通过各种曲线方程和特定参数拟合车道线，将2D车道检测转化为曲线参数回归挑战，通过检测起点和终点以及曲线参数。尽管在2D车道检测方面取得了有希望的进展，但2D结果与实际应用需求之间仍存在显著差距，特别是精确的3D定位。

3D车道检测

由于2D车道检测本质上缺乏深度信息，将这些检测投影到3D空间可能会导致不准确和鲁棒性降低。因此，许多研究人员将重点转向3D领域内的车道检测。基于深度学习的3D车道检测方法主要分为基于CNN的方法和基于Transformer的方法，首先构建稠密的鸟瞰图（BEV）特征图，然后从这些中间表示中提取3D车道信息。基于CNN的方法主要包括D-LaneNet，它提出了一种双路径架构，利用逆透视变换（IPM）转置特征，并通过垂直锚点回归检测车道。3D-LaneNet+将BEV特征分割为不重叠的单元，通过相对于单元中心的横向偏移、角度和高度偏移解决锚点方向的限制。GenLaneNet首次在虚拟俯视坐标系统中更好地对齐特征，并引入两阶段框架，将车道分割与几何编码分离。BEVLaneDet使用虚拟摄像头确保空间一致性，并通过基于关键点的3D车道表示适应更复杂的场景。GroupLane 在B