英伟达推出LaneNet DNN模型，可以高精度检测道路标识和地标

编辑 | KING 发布 | ATYUN订阅号

车道和道路边缘检测对于自动驾驶汽车的开发至关重要，车道检测为诸如车道偏离警告之类的系统提供动力，可帮助驾驶员避免偏离车道。除了检测车道线信息外，自动驾驶汽车还需要检测其他道路标记（例如箭头或STOP）以及有助于将汽车精确定位的垂直地标。

在英伟达的驾驶实验室项目中，他们介绍了车道检测网络学习模型(LaneNet DNN)，它能够将高精度，稳定地检测道路上已涂漆的车道线输入到地图网络学习模型（MapNet DNN）中。这种发展包括检测类别的增加，除了车道线检测之外，还包括道路标记和垂直地标（。它还通过端到端检测提高了处理效率，从而提供了更快的车内推理能力。

涂漆的道路标记（例如箭头，STOP，和其它高频率出现的车道标识）以及垂直地标（例如，路标和路灯）。

为了执行高精度道路标记和垂直地标的检测，MapNet DNN利用了其前身高精度LaneNet的基础地面真相数据编码技术。这种编码可防止高分辨率视觉信息在卷积DNN处理期间丢失。除了创建足够的空间以保留丰富的车道线信息外，还可以轻松扩展它以保留任意形状的道路标记以及地标的信息。

他们还观察到，即使在部分缺少油漆标记的情况下，高精度MapNet仍能够提供精确的道路标记形状检测。

如果在同一车道上同时放置实线和虚线车道线标记，MapNet会故意将车道线视为实线，以支持安全驾驶。

MapNet还可以检测道路边缘，这在不存在清晰的涂漆车道标记时特别有用，并且可以始终检测从实线到虚线车道线标记的过渡。

即使在存在视觉障碍的情况下也能稳定检测车道线和道路边缘，包括道路裂缝，柏油污点以及树木或垂直地标所投射的粗糙阴影。此外，MapNet还可以检测不同语言的道路文本标记。

目前正在开发的最新MapNet DNN模型经过培训，可以端到端检测道路标记和地标，从而大大降低了将原始DNN结果后处理为连续几何输出的复杂性。快速的车内推理至关重要，因为它为纵向和横向规划和控制功能提供了低延迟的感知输入。

此外，MapNet提供的高精度道路标记和地标检测结果可用作自动驾驶汽车的地图和定位功能的输入。检测垂直界标（例如磁极）的能力也特别有利于获得准确的纵向定位结果。