[论文解读] Decoupling the Curve Modeling and Pavement Regression for Lane Detection

Wencheng Han, Jianbing Shen|arXiv (Cornell University)|Sep 19, 2023

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

本文提出 DecoupleLane，一种新颖的车道检测框架，通过将鸟瞰图（BEV）空间中的曲线建模与路面高程回归解耦，以解决因路面不平整导致的性能下降问题。通过将平滑的车道形状建模与路面起伏分离，该方法在 2D 和 3D 车道检测基准上均实现了最先进性能，优于现有的基于曲线和基于点的方法。

ABSTRACT

The curve-based lane representation is a popular approach in many lane detection methods, as it allows for the representation of lanes as a whole object and maximizes the use of holistic information about the lanes. However, the curves produced by these methods may not fit well with irregular lines, which can lead to gaps in performance compared to indirect representations such as segmentation-based or point-based methods. We have observed that these lanes are not intended to be irregular, but they appear zigzagged in the perspective view due to being drawn on uneven pavement. In this paper, we propose a new approach to the lane detection task by decomposing it into two parts: curve modeling and ground height regression. Specifically, we use a parameterized curve to represent lanes in the BEV space to reflect the original distribution of lanes. For the second part, since ground heights are determined by natural factors such as road conditions and are less holistic, we regress the ground heights of key points separately from the curve modeling. Additionally, we have unified the 2D and 3D lane detection tasks by designing a new framework and a series of losses to guide the optimization of models with or without 3D lane labels. Our experiments on 2D lane detection benchmarks (TuSimple and CULane), as well as the recently proposed 3D lane detection datasets (ONCE-3Dlane and OpenLane), have shown significant improvements. We will make our well-documented source code publicly available.

研究动机与目标

• 为解决由于路面不平整导致的透视视图中车道外观不规则，从而引发基于曲线的车道检测方法性能下降的问题。
• 通过在 BEV 空间中独立建模车道的固有几何形状，提升车道的整体表征能力，与地面高程变化分离。
• 通过共享的 3D 车道检测头和 2D 监督配合正则化损失，将 2D 和 3D 车道检测统一于单一框架中。
• 开发一种解耦头，分别回归曲线参数与地面高程，以提升泛化能力与鲁棒性。
• 在 2D（TuSimple、CULane）和 3D（ONCE-3DLane、OpenLane）车道检测基准上均实现最先进性能。

提出的方法

• 将车道检测分解为两个阶段：(1) 在 BEV 空间中使用参数化多项式（三阶）表示车道的固有形状，进行曲线建模。
• 通过专用分支独立回归关键点处的地面高程，将高程变化视为局部、非整体的扰动。
• 利用相机内参将 3D 车道坐标（X, Z, 高度）映射回 2D 图像空间，生成透视视图下的预测结果。
• 通过单一 3D 检测头统一 2D 和 3D 检测，支持端到端训练，结合 2D 监督与正则化损失，以鼓励平坦的地面高程预测。
• 使用 Curve/HeightFormer 模块，对曲线与高程表示中的空间关系进行注意力建模，提升特征学习能力。
• 应用正则化损失，约束地面高程预测尽可能平坦，使模型能更专注于真实的路面不规则性。

实验结果

研究问题

• RQ1 为何基于曲线的车道检测方法在真实数据上表现不佳，尽管其具备整体表征能力？
• RQ2 路面表面不规则性而非车道几何形状，在透视视图车道检测中导致拟合误差的程度有多大？
• RQ3 将曲线建模与地面高程回归解耦，能否提升车道检测的准确率与鲁棒性？
• RQ4 如何在单一框架下统一 2D 和 3D 车道检测，以利用丰富的 2D 数据提升 3D 性能？
• RQ5 实现 2D 和 3D 车道检测最先进性能的最优曲线表示与头设计为何？

主要发现

• DecoupleLane 在 ONCE-3DLane 验证集上取得 75.07% 的 F1 分数，优于所有先前的 3D 车道检测方法。
• 在 OpenLane 上，DecoupleLane 取得 51.2% 的 mF1，超过最先进方法 PersFormer（50.5%）和 CurveFormer（50.5%）。
• 消融实验表明，DecoupleHead 对性能提升贡献最大，较基线提升 1.6%。
• 使用三阶多项式进行曲线表示在性能与效率之间取得最佳平衡，优于二阶与四阶多项式。
• 在 DecoupleHead 中，Bézier 曲线未能提升性能，表明多项式在此任务中更为有效。
• 结合 2D 监督与正则化的统一训练框架，即使在训练阶段无 3D 车道标签，也能实现强大的 3D 泛化能力。