Angesichts der Schwierigkeit, die Erkennungsgenauigkeit und -geschwindigkeit bestehender Fahrspurkennungsmethoden in praktischen Anwendungen auszubalancieren, wird ein neuartiger Fahrspurerkennungsalgorithmus basierend auf einer ARM-Embedded-Plattform vorgeschlagen. Zunächst wird ein leichtgewichtiges semantisches Segmentierungsnetz entworfen, welches die SegNet-Struktur optimiert, indem in der ersten Netzwerkschicht eine Sprungverbindung hinzugefügt wird und nach jeweils zwei Faltungsschichten ein Kanalmulti-Attentionsmodul eingefügt wird. Dies erhöht die Erkennungsgeschwindigkeit bei gleichbleibender Genauigkeit. Anschließend wird ein Kalman-Filter-basiertes Fahrspurverfolgungsmodell aufgebaut, um die Robustheit der Erkennung im Video-Stream zu verbessern. Danach wird der Encoder rekonstruiert, um das Modell zu verschlanken, wobei herkömmliche Faltungen durch tiefen-separable Faltungen ersetzt werden, um Rechenkosten zu verringern und die Geschwindigkeit zu erhöhen. Schließlich wird die Inferenz mit TensorRT beschleunigt und ein Trt-Modell generiert, das die Bereitstellung auf der ARM-Embedded-Plattform für die Echtzeit-Fahrspurerkennung erleichtert. Experimentelle Ergebnisse auf dem selbst erweiterten Tusimple-Datensatz zeigen, dass der vorgeschlagene Algorithmus mit verschiedenen komplexen Verkehrsszenarien umgehen kann, eine Erkennungsgenauigkeit von 98,03 % erreicht, andere Algorithmen übertrifft, und eine Erkennungsgeschwindigkeit von 50 FPS erzielt, um Echtzeitanforderungen zu erfüllen. Der Algorithmus weist unter komplexen Verkehrsszenarien eine hohe Robustheit und gute Echtzeitleistung auf und besitzt einen gewissen theoretischen und praktischen Wert.

Fahrspurerkennung;semantische Segmentierung;tiefe separierbare Faltung;TensorRT-Beschleunigung;ARM-Embedded-Plattform