[論文レビュー] Real-Time Lane Detection via Efficient Feature Alignment and Covariance Optimization for Low-Power Embedded Systems

Yian Liu, Xiong Jun Wang+4 more|arXiv (Cornell University)|Jan 5, 2026

Autonomous Vehicle Technology and Safety被引用数 0

ひとこと要約

本論文は Covariance Distribution Optimization (CDO) モジュールを導入し、特徴分布を真のラベルと揃えることで低消費電力の組み込みシステム上の実時間車線検出を改善します。追加計算負荷はなく、統合も容易です。

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.

研究の動機と目的

• 埋込システムの計算資源と電力制約の下での実時間車線検出への対応。
• 複雑さを増やさず検出精度を向上させる軽量な最適化モジュールの開発。
• CDO モジュールのセグメンテーションベース、アンカー基づき、カーブベースの車線検出手法間の移植性を示す。
• 複数のデータセットと実時間最適化モデルでアプローチの一般性と実用的メリットを評価する。

提案手法

• 特徴分布を真のラベルと整列させる Covariance Distribution Optimization (CDO) の導入。
• 構造変更なしで既存モデルに統合できるアドオンモジュールとして CDO を実装。
• 組み込みシステムでの継続学習とデプロイを可能にする既存モデルパラメータの活用。
• 3つの車線検出パラダイム（セグメンテーションベース、アンカー基づき、カーブベース）と6モデルにわたる有効性を検証。

実験結果

リサーチクエスチョン

• RQ1 CDO は計算負荷を増やさず、低電力のリアルタイム組み込み環境で車線検出精度を向上させることができるか。
• RQ2 CDO はセグメンテーション、アンカー基づき、カーブベースの多様な車線検出アーキテクチャやデータセットに広く適合するか。
• RQ3 標準的な車線検出ベンチマークで実時間最適化モデルおよび最先端モデルに CDO を適用したときの観測精度向上はどの程度か。

主な発見

• CDO は6モデルに対して0.01%から1.5%の精度向上をもたらす。
• 計算複雑さを増やすことなく改善を達成。
• CDO は既存システムへの統合が容易で、継続学習には現在のモデルパラメータを活用する。
• CULane、TuSimple、LLAMAS の3データセットで効果を実証。