全方位精制注意网络用于车道检测
Boyuan Zhang1, Lanchun Zhang1, Tianbo Wang1
1School of Automible and Traffic Engineering, Jiangsu University of Technology, Changzhou 213001, China.
Sensors (Basel, Switzerland)
|October 16, 2025
概括
通过整合全球背景和地方特征,ORANet改善了自动驾驶的车道检测. 这种增强的框架在像影子这样的复杂场景中显示出更好的稳定性,提高了可靠的现实世界应用.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器人技术 机器人技术 机器人技术
背景情况:
- 车道检测对于自动驾驶的感知至关重要.
- 现有的方法难以应对恶劣天气,阻塞和曲线等复杂的条件.
- 先进的车道检测需要整合全球语义上下文和本地视觉特征.
研究的目的:
- 为了介绍ORANet,一个增强的车道检测框架.
- 在具有挑战性的自动驾驶场景中提高车道检测性能和稳定性.
- 引入新的注意力模块,用于精细的特征提取和融合.
主要方法:
- 在ORANet的基础上建立了CLRNet的基础.
- 介绍了对远程结构和全球背景的增强协调注意力 (EnCA).
- 包含通道空间混注意力 (CSSA),用于精确的局部特征提取.
- 在特征提炼和融合方面,EnCA和CSSA之间的等级协同作用.
主要成果:
- 与CLRNet相比,ORANet在复杂的道路场景中表现出优越的性能稳定性.
- 在阴影条件下实现了近3%的F1得分改善.
- 验证了EnCA和CSSA模块在增强车道检测方面的有效性.
结论:
- ORANet提供了一个强大的解决方案,用于可靠的车道检测在自动驾驶.
- 提出的注意力机制有效地解决了现有方法的局限性.
- ORANet显示出在自动驾驶汽车中实际部署的巨大潜力.
