![]()
车道线检测是自动驾驶系统的重要组成部分，是自适应巡航和车道保持辅助等功能的基石，直接关联到行车安全。现有的车道线检测基准主要侧重于常规情况评估，却往往忽略了在道路阴影（Shadow）和轮胎痕迹（Tire Marks）等环境幻觉带来的复杂挑战。由于这些环境幻觉在现实中频繁出现却常被忽视，为自动驾驶系统带来了巨大的安全挑战，因此，本文首次研究了这些环境幻觉对车道线检测造成的潜在威胁，并建立了第一个全面的评测基准LanEvil来评估车道线检测模型在环境幻觉影响下的鲁棒性。如图1所示，本文系统地设计了14种环境幻觉类型（例如Shadow、Reflection），涵盖了车道线检测任务中广泛存在的现实世界影响因素。为了确保场景的真实性与灵活性，我们基于CARLA模拟器构建了94个高保真度且可灵活编辑的3D测试案例，还原了真实世界的多样环境，产生了一个包含90,292个样本的数据集。 ![]()
图1 本文提出的LanEvil评测基准
基于LanEvil基准，本文对常用的几种车道线检测模型的鲁棒性进行了测试，实验结果表明，所有被测模型都出现了显著的性能下降（Accuracy平均降低5.37%，F1-Score平均降低10.70%），其中Shadow这一环境幻觉的影响最为显著（Accuracy降低7.39%）。表1 在LanEvil评测基准下的鲁棒性测试结果
![]()
此外，我们通过联合仿真评估了OpenPilot等商用自动驾驶系统的性能，如图2所示，实验结果证明环境幻觉会导致自动驾驶系统错误的决策，从而引发潜在的交通事故。为了抵御环境幻觉，我们还提出了基于困难样本的注意力区域混合方法，有效提高了面对环境幻觉的鲁棒性。 ![]()
图2 在LanEvil场景下使用openPilot进行测试
论文信息
本论文已被ACM MM 2024接收。作者为北京航空航天大学张天缘，王璐，合肥数据空间研究院李海南，肖宜松，新加坡国立大学梁思源，刘艾杉（通讯作者），刘祥龙，新加坡南洋理工大学陶大程。Tianyuan Zhang, Lu Wang, Hainan Li, Yisong Xiao, Siyuan Liang, Aishan Liu*, Xianglong Liu and Dacheng Tao. LanEvil: Benchmarking the Robustness of Lane Detection to Environmental Illusions. ACM MM 2024.
供稿：张天缘、刘艾杉
