RONELDv2：一种更快速、改进的车道跟踪方法

车道检测是自动驾驶车辆与车道偏离预警系统中控制系统的组成部分，因为车道是道路车辆运行环境的关键要素。在先前论文中，提出了一种用于主动车道检测的鲁棒神经网络输出增强（RONELD）方法，该方法扩充深度学习车道检测模型以提升主动（即自车）车道精度性能。本文通过进一步研究所用车道跟踪方法以增进该方法对车道变换与不同车道尺寸（如车道标线厚度）的鲁棒性，扩展了该工作，并提出了一种改进的、更轻量的车道检测方法 RONELDv2。它改进了先前 RONELD 方法，通过检测车道点方差、合并车道以求得更精确的车道参数集，以及使用指数移动平均方法计算更鲁棒的车道权重。采用所提改进的实验显示，在不同数据集与深度学习模型上车道检测精度结果持续提升，且通过运行时至多减半观察到的计算复杂度下降，增强了其在自动驾驶车辆与车道偏离预警系统上实时使用的适用性。