面向复杂场景下单目 3D 车道检测的车道与点再思考

单目 3D 车道检测是自动驾驶中的一项基础任务。尽管稀疏点方法在复杂车道几何中降低了计算负载并保持了高精度，但当前方法未能充分利用车道的几何结构来进行车道几何表示和模型设计。在车道几何表示方面，我们给出了理论分析与实验验证，证明当前的稀疏车道表示方法存在固有缺陷，导致高达 20 m 的潜在误差，给驾驶带来严重的安全隐患。为解决这一问题，我们提出了一种新颖的补丁策略，以完整表示完整车道结构。为使现有模型匹配该策略，我们引入了 EndPoint 头（EP-head），为端点添加了补丁距离。EP-head 使模型即使在预设点较少的情况下也能预测更完整的车道表示，有效解决了现有局限，并为未来更快速且所需参数更少的模型铺平了道路。在模型设计方面，为增强模型对车道结构的感知，我们提出了 PointLane 注意力（PL-attention），将先验几何知识融入注意力机制。大量实验证明了所提方法在各种 SOTA 模型上的有效性。例如，在总体 F1 分数方面，我们的方法使 Persformer 提高了 4.4 个百分点，Anchor3DLane 提高了 3.2 个百分点，LATR 提高了 2.8 个百分点。代码即将开源。