仪器仪表学报

作者：邹亮，郭泽沛，李颖娜，鞠进军，雷萌

单位：邹亮,中国矿业大学信息与控制工程学院徐州221116,liangzou@cumt.edu.cn,郭泽沛,中国矿业大学信息与控制工程学院徐州221116,,李颖娜,唐山学院新材料与化学工程学院唐山063000,,鞠进军,陆军工程大学训练基地工程装备系徐州221000,,雷萌,中国矿业大学信息与控制工程学院徐州221116,lmsiee@cumt.edu.cn,

关键词：车道线检测;掩码孪生网络;对比学习;恶劣场景;α-SimADNet

基金：国家自然科学基金（62473368，62373360）项目资助

车道线检测是自动驾驶感知系统的核心任务,在复杂交通环境下具有重要的应用价值。尽管现有方法在常规条件下已取得较好检测效果,但在光照不足、逆光、大雾、雨雪等恶劣场景中车道线检测仍面临诸如模糊、断裂与遮挡等挑战。为提升恶劣场景下的车道线检测性能,基于ADNet框架提出了α-SimADNet检测网络。该模型基于ADNet网络实现锚点提取与参数回归,通过引入无负样本对比学习与具有交替优化策略的掩码孪生网络,增强主干网络的特征判别力与环境适应性。这些改进使模型在不增加推理计算开销的前提下,显著提升了恶劣条件下的特征表征能力。此外,针对传统IoU损失在回归困难样本时梯度响应不足的问题,设计了具有幂调节机制的α-GLIoU损失函数,以增强模型对断裂与遮挡车道线的拟合能力。为全面评估所提方法的性能,构建了一个面向恶劣环境的高质量车道线检测数据集HardLane-F100,涵盖106段视频、10600帧图像,有效缓解了当前公开数据集中极端环境样本覆盖不足的问题。实验结果表明,α-SimADNet在HardLane-F100数据集上的F1@0.5得分达到83.2%,分别较主流方法ADNet与RVLD提升2.7%和1.2%。在更严格的F1@0.7指标下得分60.9%,较ADNet与RVLD分别提升3.8%和3.2%,该方法在多种挑战性场景下均表现出更优性能,充分说明了其在恶劣场景下的有效性。

来源：2025年第9期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2025年第9期