高速車両レーシングのためのオドメトリを用いた3Dレーン検出
研究者らは、複数カメラと慣性測定を活用し、高速処理（300Hz）と高精度を実現するレーシング向け3Dレーン検出の新しいデータセットと手法を提案。F1スコア>0.9、横方向誤差低減。
レーン境界検出は自動運転システムの重要な要素であり、通常の運転シナリオでは広く研究されてきた。しかし、車両が高速で走行し、より極端な道路形状を持つレーシングシナリオでは、その研究は限られている。この問題に取り組むため、研究チーム（Omoruyi Atekhaら）はレーシング用の新しい3Dレーン検出データセットを導入した。このデータセットは、複数のカメラフィードと慣性測定から得られた25万枚以上の画像で構成され、閉回路を走行するLexus LC 500から収集された。このデータセットは、高ダイナミクス環境でのレーン検出研究の貴重なリソースとなる。
このデータセットを用いて、チームはさまざまな3Dレーン検出手法を比較し、フレームを300Hz近くで処理しながら高い予測性能を維持する改良を提案した。これにより、マルチカメラアンサンブル手法が可能となり、ハードウェア上で検証された。慣性測定などのセンシングモダリティを活用することで、カメラと時間にわたって道路形状を回帰する事前統合が可能となり、主要指標が改善されることが示された。BevLaneDetなどの手法と比較して、オドメトリとアンサンブル予測を追加することで、F1スコアが3ポイント向上し、車両近傍の平均絶対誤差が30%以上減少した。
実際の車両展開では、F1スコアが0.9を超え、横方向の平均絶対誤差が0.18メートル未満であることが示された。この研究は、高速レーシングにおける自動運転知覚の新しいアプローチを提供するとともに、極限環境下での自動運転システムの可能性を示している。本論文は2026年7月にarXivに投稿された。