[論文レビュー] LaneNet: Real-Time Lane Detection Networks for Autonomous Driving

Ze Wang, Weiqiang Ren+1 more|arXiv (Cornell University)|Jul 4, 2018

Autonomous Vehicle Technology and Safety参考文献 16被引用数 71

ひとこと要約

LaneNet はリアルタイムでレーンエッジ提案とレーンライン局所化の二段階アプローチを用い、低い計算コストと多様な道路シナリオへの頑健性を実現する。

ABSTRACT

Lane detection is to detect lanes on the road and provide the accurate location and shape of each lane. It severs as one of the key techniques to enable modern assisted and autonomous driving systems. However, several unique properties of lanes challenge the detection methods. The lack of distinctive features makes lane detection algorithms tend to be confused by other objects with similar local appearance. Moreover, the inconsistent number of lanes on a road as well as diverse lane line patterns, e.g. solid, broken, single, double, merging, and splitting lines further hamper the performance. In this paper, we propose a deep neural network based method, named LaneNet, to break down the lane detection into two stages: lane edge proposal and lane line localization. Stage one uses a lane edge proposal network for pixel-wise lane edge classification, and the lane line localization network in stage two then detects lane lines based on lane edge proposals. Please note that the goal of our LaneNet is built to detect lane line only, which introduces more difficulties on suppressing the false detections on the similar lane marks on the road like arrows and characters. Despite all the difficulties, our lane detection is shown to be robust to both highway and urban road scenarios method without relying on any assumptions on the lane number or the lane line patterns. The high running speed and low computational cost endow our LaneNet the capability of being deployed on vehicle-based systems. Experiments validate that our LaneNet consistently delivers outstanding performances on real world traffic scenarios.

研究の動機と目的

• 多様なレーンパターン（実線、点線、合流、分岐）を強いレーン番号の仮定なしに扱える頑健なレーン検出法を開発する。
• 車両ベースのシステムに適した低い計算コストでリアルタイム性能を達成する。
• 信頼性を高め、レーンラインの弱教師あり学習を可能にする中間のレーンエッジ提案を解釈可能に提供する。
• 第二段階の設計により弱教師あり学習を可能とすることで、アノテーションコストを削減する。

提案手法

• 二段階アーキテクチャ：レーンエッジ提案ネットワーク（2値ピクセル単位分類）に続くレーンライン局所化ネットワーク。
• レーンエッジ提案は深さ分離可能な畳み込みと膨張畳み込みを用いた軽量のエンコーダ-デコーダを使い、効率と文脈を確保。
• デコーダはサブピクセル畳み込みを用いて追加のパラメータなしに解像度を回復。
• レーンライン局所化ネットワークは、座標をPointNet風の入力順序不変のエンコーダでエンコードし、LSTMデコーダを用いてレーンパラメータを予測。
• レーン線は二次関数で表現され、学習を安定させるため固定されたYレベル（Y=0、Y=h/2、Y=h）での真値キー値を用いた訓練。
• 弱教師あり訓練（最小距離損失）を、画像ごとのレーン数だけを利用して行い、初期訓練には教師あり学習を組み合わせる。

実験結果

リサーチクエスチョン

• RQ1 固定数のレーンを仮定せずに、二段階ニューラルアーキテクチャが多様なレーンパターンを正確に検出できるか。
• RQ2 弱教師ありのレーンライン訓練目標が精度とデータラベリングコストに与える影響はどの程度か。
• RQ3 LaneNet は従来のレーン検出法と比較して現実の高速道路・都市部のシナリオでどのように性能を発揮するか。

主な発見

難易度	検出数	TPR	FPR
簡易	916	78.2%	9.5%
難	難	難	難
LaneNet (簡易)	1146	97.9%	2.7%
LaneNet (難)	1001	96.7%	3.9%

• LaneNet は Easy および Hard サブセットで従来法より真陽性率が高く偽陽性率が低い（Easy: TPR 97.9%、FPR 2.7% 等、Hard: TPR 96.7%、FPR 3.9%）。
• LaneNet は検出レーン数が多く（Easy: 1146、比較法 916）、点線・実線・複雑なパターンに対して頑健性を維持。
• レーンエッジ提案ネットワークは NVIDIA Titan Xp で最大 330 FPS、レーンライン局所化ネットワークは約 4 倍速で、合計 250 FPS を実現；Jetson TX1 では約 26 FPS。
• 全モデルサイズは 1 GB 未満で、車載展開に適する。
• 弱教師あり学習と追加の弱ラベルデータは特に難易度の高いケースで性能向上をもたらす（例：Easy：検出 1129、TPR 96.4%、FPR 2.8% → 調整後：検出 1146、TPR 97.9%、FPR 2.7%）。