面向算力受限自动驾驶车辆的低资源车道保持算法评估

可靠的车道保持对于自动驾驶和辅助驾驶至关重要，然而现有解决方案通常依赖于需要大量计算资源的模型，限制了其在算力受限车辆上的部署。我们评估了五种专为计算资源有限的车辆实时运行设计的低资源车道保持算法。性能通过仿真和部署在真实的线控电动车辆上进行评估，评估指标包括可靠性、舒适度、速度和适应性。表现最佳的方法使用无监督学习来检测和分离车道线，每帧处理时间低于 10 ms，优于计算密集且泛化能力差的深度学习方法。这些方法在光照条件、道路纹理和车道几何形状方面表现出鲁棒性。研究结果凸显了高效车道检测方法在提升自动驾驶技术的可及性和可靠性方面的潜力。降低计算要求使得车道保持能够作为低级别自动驾驶（包括主动安全系统）的一部分在车辆中广泛部署。