基于高效特征对齐和协方差优化的低功耗嵌入式系统实时车道检测
计算机视觉与模式识别
2026-01-06 v1 机器人学
摘要
嵌入式系统中的实时车道检测因 RGB 图像中细微稀疏的视觉信号以及计算资源和功耗的限制而面临重大挑战。尽管将车道检测深度学习模型分为分割基、锚框基和曲线基三类方法，但目前仍缺乏专为低功耗嵌入式环境设计的通用优化技术。为此，我们提出一种专为高效实时应用设计的创新性协方差分布优化（Covariance Distribution Optimization, CDO）模块。该模块通过对齐车道特征分布与真实标签，显著提升检测精度，却不增加计算复杂度。我们在六个不同模型上进行评估，涵盖三类方法，其中两个模型针对实时应用进行优化，四个为最新技术（SOTA）模型。测试在三个主要数据集上进行：CULane、TuSimple 和 LLAMAS。实验结果表明，检测精度提升范围为 0.01% 至 1.5%。 proposed CDO 模块具有无需结构修改即可集成到现有系统，利用现有模型参数以促进持续训练的特点，在嵌入式系统中提供了在性能、功率效率和操作灵活性方面的显著优势。
引用
@article{arxiv.2601.01696,
title = {Real-Time Lane Detection via Efficient Feature Alignment and Covariance Optimization for Low-Power Embedded Systems},
author = {Yian Liu and Xiong Wang and Ping Xu and Lei Zhu and Ming Yan and Linyun Xue},
journal= {arXiv preprint arXiv:2601.01696},
year = {2026}
}