作者 |  Been  编辑 | 汽车人

原文链接：https://zhuanlan.zhihu.com/p/388929795

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

后台回复【车道线综述】获取基于检测、分割、分类、曲线拟合等近几十篇学习论文！

为什么要用激光雷达：

• 1.解决有阳光情况树荫下光照被碎片化带来的车道线图像检测问题

• 2.解决涉水路面的车道线图像检测问题

• 3.低照度环境下的车道线图像检测问题

• 4.车道线不完整问题

• 5.检测距离受限问题（激光雷达的检测距离～=4～5倍基于图像检测的检测距离）

激光雷达检测车道线主要有四种方法，

一是根据激光雷达回波宽度；

二是根据激光雷达反射强度信息形成的灰度图，或者根据强度信息与高程信息配合，过滤出无效信息；

One demo for this method:

https://github.com/Lukas-Justen/Lane-Marking-Detection

It don't t use a Deep Learning algorithm that learns to identify the lane markings by looking at a vast amount of data. Instead we will need to build a system that is able to identify the marking just by looking at the intensity value within the point cloud.

Pointcloud Visualization -> Pointcloud Filtering -> Lane Marking Detection 聚类 -> Correction and Output

三是激光雷达SLAM与高精度地图配合，不仅检测车道线还进行自车定位；

四是利用激光雷达能够获取路沿高度信息或物理反射信息不同的特性，先检测出路沿，因为道路宽度是已知，根据距离再推算出车道线位置。对于某些路沿与路面高度相差低于3厘米的道路，这种方法无法使用。

后三种方法需要多线激光雷达，最少也是16线激光雷达。前者可以使用4线或单线激光雷达，4线激光雷达已经进入实用阶段。当然了，这四种方法也会混合使用。

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多传感器融合、SLAM、光流估计、深度估计、轨迹预测、高精地图、规划控制、模型部署落地、自动驾驶仿真测试、硬件配置、AI求职交流等方向；

加入我们：自动驾驶之心技术交流群汇总！

自动驾驶之心【知识星球】

想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D目标检测、多传感器融合、目标跟踪、光流估计、轨迹预测）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球（三天内无条件退款），日常分享论文+代码，这里汇聚行业和学术界大佬，前沿技术方向尽在掌握中，期待交流！