車道邊界檢測是自動駕駛系統的關鍵組成部分，在常規駕駛場景中已得到深入研究。然而，在車速更高、道路幾何形狀更極端的賽車場景中，相關探索較少。為了填補這一空白，來自研究團隊（Omoruyi Atekha等人）提出了一種針對賽車場景的3D車道檢測新方法，並推出了配套的大規模資料集。該資料集包含超過25萬張影像，來自多攝像頭饋送和慣性測量單元（IMU），資料採集自一輛在封閉賽道上行駛的Lexus LC 500。該資料集為高動態環境下的車道檢測研究提供了寶貴的資源。
基於該資料集，團隊系統比較了多種現有的3D車道檢測方法，並提出了一系列關鍵改進。他們設計了一種高效的幀處理架構，使得處理速率接近300Hz，同時保持了高預測效能。這一高速處理能力是實現即時多攝像頭整合的基礎。團隊進一步提出了一種多攝像頭整合預測方案，並在實際硬體上進行了驗證。研究表明，慣性測量等感測模態可以透過預積分的方式用於迴歸道路幾何形狀，從而在時間維度和多攝像頭視角上提升預測一致性。
與現有的方法（如BevLaneDet）相比，加入里程計資訊和整合預測機制後，F1分數提升了3個百分點，車輛近處的平均絕對誤差降低了30%以上。在實際車輛部署測試中，系統達到了F1分數超過0.9、橫向平均絕對誤差低於0.18米的優異效能。這一成果不僅展示了高速賽車場景下車道檢測的可行性，也為未來自動駕駛系統在極限環境中的應用提供了新的思路。該研究於2026年7月提交至arXiv。