LanePerf：面向车道检测的性能估计框架

车道检测是高级驾驶辅助系统（ADAS）和自动驾驶系统（ADS）的关键组件，提供纵向控制所必需的空间信息。然而，域迁移常常会削弱模型在新环境中的可靠性。确保车道检测模型的鲁棒性和安全性，通常需要收集和标注目标域数据，这既费时又费力。在无真实标签的情况下估计模型性能，为高效的鲁棒性评估提供了可行之路，然而在车道检测领域仍属探索不足的领域。虽然先前工作已解决图像分类中的性能估计问题，但这些方法直接适用于车道检测任务。本文首先将五种表现优异的性能估计方法从图像分类领域迁移到车道检测，建立基线。针对仅依赖softmax得分或车道特征的局限性，我们进一步提出了新的车道性能估计框架（LanePerf），该框架集成了来自预训练图像编码器和基于DeepSets架构的车道特征，有效处理零车道检测场景和大范围域迁移情况。在覆盖多样化域迁移（场景、天气、时间）的OpenLane数据集上进行大量实验，表明我们的LanePerf超越了所有基线方法，平均绝对误差（MAE）降至0.117，斯佩森秩相关系数提升至0.727。这些发现为ADAS中的鲁棒、无标签性能估计铺平了道路，支持更高效的测试，提升挑战性驾驶场景下的安全性。