自动驾驶实验室

这是NVIDIA DRIVE Labs自动驾驶实验室系列视频的第七集，在上一集中我们介绍了NVIDIA如何借助单个摄像头图像以及深度神经网络处理测算自动驾驶车辆与障碍物之间的距离。在自动驾驶实验室系列视频中，我们将以工程技术为重点的视角关注实现自动驾驶汽车的各个挑战以及NVIDIA DRIVE AV软件团队如何应对这些问题。

任务：
远距离且高精度的车道线检测

方法：
高精度神经网络LaneNet DNN


车道线标记对于自动驾驶汽车来说是重要的行车指南，它为车辆提供关键的驾驶环境信息，即它们的所处位置以及目的地。这也是为什么利用像素级精度检测车道线标记，对于自动驾驶汽车来说至关重要。

首先，自动驾驶汽车需要远距离的车道线检测范围，也就是说自动驾驶系统需要感知距离本身车辆或者正在运行感知算法车辆更远的车道线。

在图像边界附近检测到更多的车道线像素，就意味着在实际行车场景中，可以将车道线检测范围增加数十米。

此外，车道线检测解决方案必须是稳健的。在自动驾驶车道线保持过程中，遗漏或不稳定的车道线检测都会造成车辆偏离车道。像素级冗余的检测能够减少遗漏或不稳定的车道线检测。

深度神经网络处理已经成为一种重要的基于AI的车道线检测技术。借助这种方法，人类可以对车道线和车道边缘高清图像进行标记。这些图像可以用来训练卷积神经网络模型，让它能够识别之前不可见数据中的车道线。


借助卷积神经网络会导致在深度神经网络输出阶段发生不可避免的像素丢失。尽管输入图像可能是高清的，但是当卷积神经网络处理这些图像的时候，递增的降采样会造成大量的像素遗失。

这就导致了在高清输入图像中原本清晰标记车道线以及车道边缘的各个像素，在深度神经网络输出的阶段变得模糊。那么，用以推断车道线/车道边缘的高精密关键空间信息将会遗失。

NVIDIA高精度LaneNet解决方案在卷积神经网络处理图像时，能够以一种可以保留高清信息的方式对实况道路图像数据进行编码。

这种编码旨在为丰富的空间信息创建足够的冗余，以便在卷积神经网络固有的降采样过程中，保证这些信息不会遗失。高精度LaneNet的主要优势包括增加了车道线检测的范围，优化了车道线边缘检测的准确率/召回率以及提升了车道线检测的稳健性。


左：来自高精度LaneNet的逐帧像素级车道线检测。右：像素级检测在经过后期处理之后显示为车道线。在图像边界附近进行额外的像素级车道线检测，就意味着在实际行车场景中，可以将车道线检测范围增加数十米。


高精度的LaneNet还能让我们在使用低清图像处理方式的同时，保留高清图像当中丰富的可用信息。这就让车内推断可以进行更有效的计算。

借助LaneNet高精度车道线检测，自动驾驶车辆能够在道路上对自己进行更好的定位，同时也能感知规划出一条更安全的行驶路径。