LanEvil: 车道检测对环境错觉鲁棒性的基准测试
计算机视觉与模式识别
2024-07-17 v4
摘要
车道检测（LD）是自动驾驶系统的重要组成部分，提供自适应巡航控制和自动车道居中等功能。现有的LD基准测试主要侧重于评估常见情况，忽视了LD模型对道路上阴影和轮胎痕迹等环境错觉的鲁棒性。这一研究空白带来了重大的安全挑战，因为这些错觉在真实交通场景中自然存在。本文首次研究了这些环境错觉对LD造成的潜在威胁，并建立了首个综合性基准测试LanEvil，用于评估LD对此类自然损坏的鲁棒性。我们系统性地设计了14种普遍且关键的环境错觉类型（例如阴影、反射），涵盖了LD任务中广泛的实际影响因素。基于真实环境，我们使用广泛使用的CARLA模拟器创建了94个逼真且可定制的3D场景，生成了一个包含90,292张采样图像的数据集。通过大量实验，我们使用LanEvil对主流LD方法的鲁棒性进行了基准测试，揭示了显著的性能下降（平均准确率下降-5.37%，F1分数下降-10.70%），其中阴影效应构成最大风险（准确率下降-7.39%）。此外，我们通过协同仿真评估了商业自动驾驶系统OpenPilot和Apollo的性能，表明所提出的环境错觉可能导致错误决策和潜在交通事故。为了防御环境错觉，我们提出了使用困难样本的注意力区域混合（AAM）方法，在光照效应下见证了显著的鲁棒性提升（+3.76%）。我们希望我们的论文能够为未来推动更鲁棒的自动驾驶系统做出贡献。网站：https://lanevil.github.io/。
引用
@article{arxiv.2406.00934,
title = {LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions},
author = {Tianyuan Zhang and Lu Wang and Hainan Li and Yisong Xiao and Siyuan Liang and Aishan Liu and Xianglong Liu and Dacheng Tao},
journal= {arXiv preprint arXiv:2406.00934},
year = {2024}
}
备注
Accepted by ACM MM 2024