Monocular 3D lane detection for Autonomous Driving: Recent Achievements, Challenges, and Outlooks

3D车道检测通过从3D空间中提取道路的结构和交通信息，协助自动驾驶汽车进行合理、安全、舒适的路径规划和运动控制，对于自动驾驶至关重要。由于考虑到传感器成本和视觉数据在颜色信息方面的优势，在实际应用中，基于单目视觉的3D车道检测是自动驾驶领域的重要研究方向之一，引起了业界和学术界越来越多的关注。不幸的是，最近视觉感知方面的进展似乎还不足以开发完全可靠的3D车道检测算法，这也阻碍了基于视觉传感器的完全自主驾驶汽车的发展，即实现5级自动驾驶，像人类控制的汽车一样行驶。这是本综述论文得出的结论之一：在使用视觉传感器的自动驾驶汽车的3D车道检测算法方面仍有很大的改进空间，需要显著提高。在此基础上，本综述定义、分析和评估了3D车道检测研究领域的当前成果，目前大部分进展都严重依赖于计算复杂的深度学习模型。此外，本综述涵盖了3D车道检测流程，调查了最先进算法的性能，分析了尖端建模选择的时间复杂度，并强调了当前研究努力的主要成就和限制。综述还包括了可用的3D车道检测数据集的全面讨论以及研究人员面临但尚未解决的挑战。最后，本文概述了未来的研究方向，并欢迎研究人员和从业者进入这个令人兴奋的领域。

3D车道检测在自动驾驶中具有重要作用，但基于单目视觉的算法仍存在可靠性不足的问题，本文旨在探讨该问题并提出改进方案。

本文提出了一种基于深度学习的3D车道检测算法，通过对车道线进行分割、拟合和优化，实现对车道的检测和跟踪。

本文分析了当前3D车道检测算法的现状和存在的问题，并提出了基于深度学习的解决方案。实验使用了多个数据集进行验证，并对比了不同模型的性能和时间复杂度。

近期相关研究包括《End-to-end Lane Detection through Differentiable Least-Squares Fitting》、《Robust Road Marking Detection and Recognition Using Extreme Learning Machine》等。