01
课程导论与基础
自动驾驶中的车道线感知与高精地图概述 · 课程目标与项目总览
概览高精地图
02
图像预处理基础
色彩空间转换 (RGB/HSV/灰度) · 高斯滤波与Canny边缘检测
OpenCV滤波
03
感兴趣区域提取
基于OpenCV的ROI掩码生成 · 透视变换与鸟瞰图(BEV)生成
BEV透视变换
04
经典车道线检测
霍夫变换直线检测原理与实现 · 滑动窗口多项式拟合
霍夫变换拟合
05
车道线跟踪与鲁棒性
基于上一帧的搜索优化 · 车道线曲率与偏离中心计算
跟踪曲率
06
深度学习入门
卷积神经网络(CNN)基础 · 感受野与特征图概念
CNN特征图
07
语义分割网络
U-Net架构详解 · 用于车道线分割的轻量级模型(LaneNet)
U-NetLaneNet
08
基于检测的车道线方法
SCNN (空间卷积神经网络) 原理 · ResaNet (重复特征移位) 介绍
SCNNResaNet
09
实例分割与聚类
LaneNet中的实例分割分支 · 基于Mean-Shift的像素聚类
实例分割聚类
10
模型训练与优化
数据集准备 (TuSimple/CULane) · 损失函数设计 (分类+回归)
训练损失函数
11
模型部署与推理
ONNX模型导出 · TensorRT加速推理 · 在Jetson平台上的部署实践
ONNXTensorRTJetson
12
后处理与车道线拟合
基于分割结果的聚类与拟合 · 三次样条插值
样条插值后处理
13
多传感器融合
相机与IMU/轮速计的时间同步 · 基于卡尔曼滤波的车道线跟踪
卡尔曼滤波融合
14
高精地图基础
HD Map的构成 (车道线、路沿、交通标志) · OpenDRIVE标准简介
HD MapOpenDRIVE
15
地图匹配定位
基于ICP的点云匹配 · NDT (正态分布变换) 算法
ICPNDT
16
视觉与地图匹配
将检测到的车道线与地图中的车道线关联 · 基于RANSAC的鲁棒匹配
RANSAC关联
17
粒子滤波定位
粒子滤波原理 · 在车道线约束下的定位更新
粒子滤波定位
18
车道级定位
结合车道线检测与地图匹配实现车道级定位 · 置信度评估
车道级置信度
19
路径规划基础
Frenet坐标系 · 基于车道线的路径生成
Frenet路径生成
20
行为决策
换道决策 · 基于车道线检测的可行域判断
换道可行域
21
运动控制
纯跟踪 (Pure Pursuit) 控制 · Stanley控制方法
Pure PursuitStanley
22
仿真环境搭建
使用CARLA/SUMO进行联合仿真 · 生成带标注的车道线数据
CARLASUMO
23
实车数据采集
传感器选型与标定 · 数据采集流程与注意事项
传感器标定
24
数据标注工具
Labelme、Segments.ai等工具的使用 · 车道线标注规范
标注Labelme
25
模型评估与指标
IoU、准确率、召回率、FPS · 在TuSimple榜单上的评测
IoUFPSTuSimple
26
边缘场景处理
雨天/夜晚/强光下的车道线检测 · 遮挡与磨损车道线
鲁棒性恶劣环境
27
多车道线检测
检测多条车道线 · 区分实线与虚线
多车道实线虚线
28
V2X与地图更新
基于众包数据的车道线地图更新 · OTA升级
V2X众包
29
项目实战一
基于OpenCV的经典车道线检测系统 (从图像到输出车道线方程)
OpenCV实战
30
项目实战二
基于深度学习的端到端车道线检测与地图匹配定位系统 (整合所有模块)
深度学习端到端