用于高速赛车的高程3D车道检测与里程计方法

车道边界检测是自动驾驶系统的关键组成部分，在常规驾驶场景中已得到深入研究。然而，在车速更高、道路几何形状更极端的赛车场景中，相关探索较少。为了填补这一空白，来自研究团队（Omoruyi Atekha等人）提出了一种针对赛车场景的3D车道检测新方法，并推出了配套的大规模数据集。该数据集包含超过25万张图像，来自多摄像头馈送和惯性测量单元（IMU），数据采集自一辆在封闭赛道上行驶的Lexus LC 500。该数据集为高动态环境下的车道检测研究提供了宝贵的资源。

基于该数据集，团队系统比较了多种现有的3D车道检测方法，并提出了一系列关键改进。他们设计了一种高效的帧处理架构，使得处理速率接近300Hz，同时保持了高预测性能。这一高速处理能力是实现实时多摄像头集成的基础。团队进一步提出了一种多摄像头集成预测方案，并在实际硬件上进行了验证。研究表明，惯性测量等传感模态可以通过预积分的方式用于回归道路几何形状，从而在时间维度和多摄像头视角上提升预测一致性。

与现有的方法（如BevLaneDet）相比，加入里程计信息和集成预测机制后，F1分数提升了3个百分点，车辆近处的平均绝对误差降低了30%以上。在实际车辆部署测试中，系统达到了F1分数超过0.9、横向平均绝对误差低于0.18米的优异性能。这一成果不仅展示了高速赛车场景下车道检测的可行性，也为未来自动驾驶系统在极限环境中的应用提供了新的思路。该研究于2026年7月提交至arXiv。