In dieser Studie wurden verschiedene Ansätze zur Fahrbahnerkennung für autonome Fahrzeuge mithilfe von Deep Learning untersucht und diskutiert. Unter anderem werden Themen wie Modellierung, Bewertung und Herausforderungen bei der Wahrnehmung autonomer Fahrzeuge durch Deep Learning behandelt. Verschiedene Forschungsarbeiten haben sich mit der Erkennung von Fahrspuren und Fahrbahnlinien auf Straßen befasst, indem sie verschiedene Sensoren wie Monokameras, Inertialsensoren und RGBD-Sensoren integriert haben.
Es wurden unterschiedliche Methoden, wie die Integration von Algorithmen, Bewertungen und Perspektiven auf KI-basierte parallele Visionen sowie Strategien zur Spurfahrbahnerkennung und -verfolgung basierend auf Monokameras von Fahrzeugen, untersucht. Zudem wurden technologische Ansätze wie die Verwendung von RANSAC-Algorithmen, CNNs, und Hybridlösungen für eine bessere Fahrspurerkennung in intelligenten Fahrzeugsystemen erforscht.
Ein Schwerpunkt lag auf der Verbesserung der Effizienz und Genauigkeit der Spuridentifizierung durch spezifische Modelle, die sich auf die robuste Erkennung von Spuren in komplexen Straßenbedingungen konzentrieren. Des Weiteren wurden Techniken wie die Fusion von Deep Learning und handgefertigten Funktionen sowie die Implementierung von DNN-basierten Ansätzen für eine schnellere und genauere Spurerkennung in Echtzeit diskutiert.
Zusammenfassend lassen sich die untersuchten Forschungsarbeiten als vielversprechende Ansätze zur Verbesserung der Fahrbahnerkennung für autonome Fahrzeuge zusammenfassen. Durch die Integration von Deep Learning in verschiedene Sensoren und Algorithmen konnten Fortschritte bei der Spurerkennung und -verfolgung erzielt werden, was zu einer sichereren und effizienteren Nutzung autonomer Fahrzeuge auf den Straßen führen kann.