MapNet DNN模型能够检测到车道线标记（实线/虚线，交叉点入口/出口线，道路边缘）、道路标记（例如箭头，STOP字样和高占用率的车道标记）以及垂直杆（例如，路标和灯杆）。


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十六集，在上一集中我们讲了环绕摄像头雷达融合如何提高感知可靠性。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：
检测多样道路标记
方法：
MapNet DNN



车道线和道路边缘检测对于自动驾驶汽车的开发来说至关重要。车道线检测能够驱动诸如车道偏离警告之类的系统，从而避免让驾驶员偏离车道。

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字样），同时还需监测有助于将车辆精确定位到高清地图上的垂直地标。

在本期的NVIDIA DRIVE Labs自动驾驶实验室视频当中，我们将介绍LaneNet DNN的发展，它能够以高精度且稳定的方式检测道路上的车道线，并传输到NVIDIA高精度MapNet DNN当中。

这种进化包括检测类别的增加，也就是说除了车道线检测之外，它还包括了道路标记和垂直地标（例如，杆子）的检测。此外，它还通过端到端的检测提高了处理效率，从而提供了更快的车内推理能力。

NVIDIA DRIVE Software 10.0版本中提供的MapNet DNN模型能够检测到车道线标记（实线/虚线，交叉点入口/出口线，道路边缘）、道路标记（例如箭头，STOP字样和高占用率的车道标记）以及垂直杆（例如，路标和灯杆）。

为了执行高精度的道路标记和垂直地标的检测，MapNet DNN利用其前身，即高精度LaneNet的底层地面实况数据编码技术。

这种编码可防止高分辨率视觉信息在卷积深度神经网络处理期间丢失，并且在方向和指向上均不确定。除了创建足够的冗余以保留丰富的车道线信息外，它还可以轻松扩展并保留任意形状的道路标记以及地标（例如杆子）的信息（在此可以以“垂直车道线”为例）。

我们还观察到，即使在道路标记部分缺失的情况下，高精度MapNet仍能够提供精确的道路标记形状检测，如下图1所示。

如果在同一车道上同时放置实线和虚线车道线标记，MapNet会有意将车道线视为实线以确保安全驾驶。



MapNet还可以检测道路边缘，这个功能在没有清晰粉刷的车道线标记时特别有用。MapNet还可以始终检测从实线到虚线车道线标记的过渡。

我们观察到，即使在遇到视觉挑战的情况下（包括道路裂缝，柏油污点和树木或垂直地标所投射的粗糙阴影干扰），MapNet也能稳定地检测车道线和道路边缘。此外，MapNet还可以检测不同语言的道路文字标记。

目前正在开发的最新MapNet DNN模型，经过训练后可以实现端到端的道路标记和地标检测，从而大大降低了将原始DNN结果通过后处理变为连续几何图形输出的复杂性。快速的车内推理至关重要，因为它为纵向和横向的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。检测垂直地标（例如杆子）的能力也特别有利于自动驾驶汽车获得准确的纵向定位结果。