我可以在哪里行驶？一种系统方法：面向鲁棒自动驾驶的深度自车走廊估计

车道检测是任何自动驾驶（AD）或高级驾驶辅助系统（ADAS）感知子架构的重要组成部分。当聚焦于低成本、大规模的自动驾驶产品时，用于车道线检测的模型驱动方法已展现出良好性能。近来，提出了以数据驱动方法为主的数据驱动方法，主要针对市内应用中的可行驶区域/自由空间。由于车道概念在非结构化的住宅市内环境中不完全适用，这些方法的重点较少放在基于车道的驾驶上。迄今为止，由于这些场景要求所有交通参与者具有明确的车道关联，可行驶区域概念很少用于高速公路和城市间应用。我们认为，在城市间和高速公路场景中基于车道、无地图的驾驶仍未以足够的鲁棒性和可用性得到充分处理。特别是对于暴雨、雾、低角度朝阳、黑暗或水坑反射等挑战性天气情况，无地图的车道线检测显著下降或完全失效。我们认为在更基于车道的高速公路和城市间驾驶应用中应用专门设计的数据驱动自由空间方法具有潜力。因此，我们提议用深度学习方法在像素级别专门分类自车车道的可用行驶走廊。我们的方法保持计算高效，仅有 0.66 百万参数，从而允许其在大规模产品中应用。因此，我们能够轻松集成到测试车辆的在线 AD 系统中。我们定性且定量地展示了我们的方法在挑战性条件下相对于最先进模型驱动方法的性能。