[논문 리뷰] Real-Time Lane Detection via Efficient Feature Alignment and Covariance Optimization for Low-Power Embedded Systems

Yian Liu, Xiong Jun Wang외 4명|arXiv (Cornell University)|2026. 01. 05.

Autonomous Vehicle Technology and Safety인용 수 0

한 줄 요약

본 논문은 Covariance Distribution Optimization (CDO) 모듈을 도입하여 저전력 임베디드 시스템에서 특징 분포를 실제 정답 레이블과 정렬함으로써 실시간 차선 인식을 개선하고, 추가 계산 부담 없이 쉽게 통합될 수 있음을 보여준다.

ABSTRACT

Real-time lane detection in embedded systems encounters significant challenges due to subtle and sparse visual signals in RGB images, often constrained by limited computational resources and power consumption. Although deep learning models for lane detection categorized into segmentation-based, anchor-based, and curve-based methods there remains a scarcity of universally applicable optimization techniques tailored for low-power embedded environments. To overcome this, we propose an innovative Covariance Distribution Optimization (CDO) module specifically designed for efficient, real-time applications. The CDO module aligns lane feature distributions closely with ground-truth labels, significantly enhancing detection accuracy without increasing computational complexity. Evaluations were conducted on six diverse models across all three method categories, including two optimized for real-time applications and four state-of-the-art (SOTA) models, tested comprehensively on three major datasets: CULane, TuSimple, and LLAMAS. Experimental results demonstrate accuracy improvements ranging from 0.01% to 1.5%. The proposed CDO module is characterized by ease of integration into existing systems without structural modifications and utilizes existing model parameters to facilitate ongoing training, thus offering substantial benefits in performance, power efficiency, and operational flexibility in embedded systems.

연구 동기 및 목표

• 임베디드 시스템에서 제한된 계산 능력과 전력 제약하에 실시간 차선 인식을 해결한다.
• 복잡도를 증가시키지 않고 탐지 정확도를 향상시키는 경량화 최적화 모듈을 개발한다.
• 세그먼트 기반, 앵커 기반, 곡선 기반 차선 인식 방법 전반에 걸친 CDO 모듈의 이식 가능성을 입증한다.
• 다양한 데이터셋과 실시간 최적화 모델에서 접근법을 평가하여 일반화 가능성과 실용적 이점을 보여준다.

제안 방법

• 특징 분포를 실제 정답 라벨과 정렬하기 위해 Covariance Distribution Optimization (CDO)을 도입한다.
• 구조적 변화 없이 기존 모델에 통합되는 애드온 모듈로 CDO를 구현한다.
• 임베디드 시스템에서 계속 학습 및 배치를 가능하게 하도록 기존 모델 매개변수를 활용한다.
• 세 가지 차선 인식 패러다임(세그먼테이션 기반, 앵커 기반, 커브 기반)과 여섯 모델에 걸쳐 효과를 검증한다.

실험 결과

연구 질문

• RQ1 계산 부담을 추가하지 않으면서 저전력, 실시간 임베디드 환경에서 차선 인식 정확도를 향상시킬 수 있는가?
• RQ2 CDO가 다양한 차선 인식 아키텍처(세그먼트 기반, 앵커 기반, 커브 기반)와 데이터셋에 널리 호환되는가?
• RQ3 표준 차선 인식 벤치마크에서 실시간 최적화 및 SOTA 모델에 CDO를 적용했을 때 관찰된 정확도 향상은 무엇인가?

주요 결과

• CDO는 여섯 모델에서 0.01%에서 1.5%까지 정확도 향상을 제공합니다.
• 향상은 계산 복잡도 증가 없이 달성됩니다.
• CDO는 기존 시스템에 쉽게 통합되며 현재 모델 매개변수를 활용하여 지속적인 학습이 가능합니다.
• CULane, TuSimple, LLAMAS의 세 데이터셋에서 효과를 입증했습니다.