LaneCPP: Continuous 3D Lane Detection using Physical Priors

单目三维车道检测已成为自动驾驶中的基本问题，包括寻找道路表面和定位车道标记。其中一个主要挑战在于灵活而强健的线表示，能够建模复杂的车道结构，同时避免不可预测的行为。虽然以前的方法依赖于完全数据驱动的方法，但我们引入了一种新的方法LaneCPP，它使用连续的三维车道检测模型，利用车道结构和道路几何学的物理先验知识。虽然我们复杂的车道模型能够建模复杂的道路结构，但它也表现出强健的行为，因为物理约束通过正则化方案被纳入到我们的参数化表示中，可以被解析地应用。此外，我们通过建模几何感知的空间特征将道路几何学的先验知识纳入到三维特征空间中，指导网络学习内部道路表面表示。在我们的实验中，我们展示了我们的贡献的好处，并证明了使用先验使得三维车道检测更加强健的意义。结果表明，LaneCPP在F-Score和几何误差方面实现了最先进的性能。

本文旨在解决自动驾驶中的单目3D车道检测问题，即找到道路表面并定位车道标记。该方法需要解决车道结构复杂，但仍需避免不可预测行为的问题。

本文提出了一种新方法LaneCPP，该方法使用连续的3D车道检测模型，利用车道结构和道路几何的物理先验知识。该方法的车道模型可以适应复杂的道路结构，并具有鲁棒性，因为物理约束通过正则化方案加入参数表示中。此外，该方法还将道路几何的先验知识纳入3D特征空间中，通过建模几何感知的空间特征来指导网络学习内部道路表面表示。

本文的亮点包括：使用物理先验知识使3D车道检测更具鲁棒性；将道路几何的先验知识纳入3D特征空间中，来指导网络学习内部道路表面表示；在实验中，本文证明了使用先验知识使3D车道检测更具意义，并取得了F-Score和几何误差方面的最新成果。

最近在这个领域中，还有一些相关的研究，如：《End-to-end Lane Detection through Differentiable Least-Squares Fitting》、《Learning Lightweight Lane Detection CNNs by Self Attention Distillation》等。