基于带双卷积门控循环单元时空网络的车道线检测模型

车道线检测是自动驾驶环境感知中不可或缺的关键要素之一。已有众多车道线检测模型被提出，解决了包括交叉口合流与分流、弯道、边界、遮挡及场景类型组合等挑战性条件下的车道线检测。然而，车道线检测在今后一段时间内仍将是一个开放问题。妥善应对这些挑战性场景的能力极大影响着车道线检测在高级驾驶辅助系统（ADASs）上的应用。本文提出一种带双卷积门控循环单元（ConvGRU）的时空网络，以解决挑战性场景中的车道线检测。两个 ConvGRU 结构相同，但在网络中位置与功能不同。其一用于提取车道标记最可能低层特征的信息；提取的特征在与某些块的输出拼接后，输入到端到端网络的下一层。另一个以若干连续帧作为输入来处理时空驾驶信息。在大规模 TuSimple 车道标记挑战数据集与无监督 LLAMAS 数据集上的大量实验表明，所提模型能有效检测挑战性驾驶场景中的车道线。我们的模型可优于当前最先进的车道线检测模型。