[论文解读] RONELDv2: A faster, improved lane tracking method

Zhe Ming Chng, Joseph Mun Hung Lew+1 more|arXiv (Cornell University)|Feb 26, 2022

Autonomous Vehicle Technology and Safety被引用 4

一句话总结

RONELDv2 提出了一种改进的轻量化车道跟踪方法，通过引入车道点方差分析、指数加权移动平均车道加权以及车道参数合并，提升了车道检测的准确率和实时性能。该方法在多个数据集和模型上实现了高达两倍的运行时间减少，尤其在跨数据集条件下表现更优。

ABSTRACT

Lane detection is an integral part of control systems in autonomous vehicles and lane departure warning systems as lanes are a key component of the operating environment for road vehicles. In a previous paper, a robust neural network output enhancement for active lane detection (RONELD) method augmenting deep learning lane detection models to improve active, or ego, lane accuracy performance was presented. This paper extends the work by further investigating the lane tracking methods used to increase robustness of the method to lane changes and different lane dimensions (e.g. lane marking thickness) and proposes an improved, lighter weight lane detection method, RONELDv2. It improves on the previous RONELD method by detecting the lane point variance, merging lanes to find a more accurate set of lane parameters, and using an exponential moving average method to calculate more robust lane weights. Experiments using the proposed improvements show a consistent increase in lane detection accuracy results across different datasets and deep learning models, as well as a decrease in computational complexity observed via an up to two-fold decrease in runtime, which enhances its suitability for real-time use on autonomous vehicles and lane departure warning systems.

研究动机与目标

• 解决原始 RONELD 方法在处理车道变更、车道标线厚度变化以及新车道检测延迟方面的局限性。
• 提升车道跟踪在存在分布偏移的多样化驾驶条件和数据集上的鲁棒性。
• 降低计算复杂度，以实现在自动驾驶和 ADAS 系统边缘设备上的实时部署。
• 在测试数据与训练数据显著不同的跨数据集验证场景中提升准确率。
• 开发一种轻量化、高效的车道跟踪解决方案，确保在动态和遮挡条件下保持高性能。

提出的方法

• 该方法计算连续帧之间车道点的方差，以评估跟踪可靠性，并检测潜在的车道变更或遮挡。
• 采用指数加权移动平均（EWMA）动态调整车道权重，基于历史一致性提升对瞬时误差的鲁棒性。
• 当匹配车道之间的距离在阈值范围内（车道点方差的 2σ 内）时，合并车道参数，以优化估计并提高准确率。
• 车道匹配过程基于车道点位置标准差设定距离阈值，从而在不同道路条件下实现灵活匹配。
• 系统保留未匹配的车道并赋予其衰减权重，以保留潜在检测结果，尤其在遮挡或复杂场景中。
• 该方法可与 SCNN 和 ENet-SAD 等现有深度学习模型集成，提升其输出性能，且无需重新训练。

实验结果

研究问题

• RQ1 如何使车道跟踪在不同道路条件下对车道变更和车道标线厚度变化更具鲁棒性？
• RQ2 引入车道点方差对提升检测可靠性和准确率有何影响？
• RQ3 使用指数加权移动平均进行车道加权对跟踪稳定性和性能有何影响？
• RQ4 将匹配车道的参数进行合并，在多大程度上提升了准确率，尤其是在较高 IoU 阈值下？
• RQ5 所提出的方法是否能在保持或提升准确率的同时，显著减少运行时间，且在多种数据集中表现优异？

主要发现

• 与原始 RONELD 方法相比，RONELDv2 在 TuSimple 数据集上 0.5 IoU 阈值下的准确率提高了 2.5%。
• 与优化后的 RONELD 版本相比，该方法将运行时间最多减少了两倍，显著提升了实时适用性。
• 2σ 的车道匹配距离提供了最佳性能平衡，在 CULane 和 TuSimple 数据集上均实现了最高准确率。
• 车道合并步骤在 CULane 数据集上将 0.5 IoU 阈值下的准确率提升了 0.003，在 TuSimple 数据集上提升了 0.011，尤其在更高 IoU 阈值下效果最显著。
• EWMA 的最优 α 值为 0.5，平衡了当前帧的可靠性与历史跟踪的一致性。
• 该方法在多种深度学习模型（SCNN 和 ENet-SAD）和数据集上均表现出一致的性能提升，包括跨数据集验证。