LSM: A Comprehensive Metric for Assessing the Safety of Lane Detection Systems in Autonomous Driving

全面感知车辆周围环境并正确解读环境对自动驾驶汽车的安全运行至关重要。周围物体的感知是进一步任务（如轨迹规划）的主要组成部分。然而，安全的轨迹规划不仅需要物体检测，还需要检测可行驶区域和车道走廊。虽然最初的方法考虑了物体检测的高级安全评估，但车道检测的评估仍缺乏足够的安全度量标准。与物体检测的安全度量标准类似，车道检测的评估也应考虑其他因素，如场景的语义（道路类型和道路宽度）、检测范围以及漏检的潜在原因，这些因素都会受到车速的影响。因此，我们提出了车道安全度量（LSM），它考虑了这些因素，并允许通过确定易于解释的安全得分来评估车道检测系统的安全性。我们在不同的车道检测方法上使用各种虚拟场景评估了我们的离线安全度量，并将其与最先进的性能度量进行了比较。

本论文旨在解决自动驾驶汽车中车辆环境的感知和正确解释问题，其中车道检测的安全评估缺乏足够的安全指标。

本文提出了车道安全度量（LSM），该度量考虑了道路类型、道路宽度、检测范围以及可能导致漏检的潜在原因，通过确定易于解释的安全得分来评估车道检测系统的安全性。

本文的亮点包括提出了车道安全度量，通过不同的虚拟场景和车道检测方法进行离线安全度量的评估，并与最先进的性能指标进行比较。

最近的相关研究包括《基于深度学习的车道线检测研究》、《基于深度学习的车道线检测算法研究与实现》等。