自动驾驶3D车道线检测产品系统

面向自动驾驶场景中的三维车道线检测任务，针对复杂道路拓扑、远距离透视畸变以及多视角信息融合问题，基于鸟瞰图（BEV）表示完成3D车道线建模。项目以Apollo Synthetic Dataset为实验平台，对BEV-LaneDet进行复现，并与3D-LaneNet、Gen-LaneNet等方法进行性能对比，为自动驾驶高精地图构建和车辆路径规划提供感知支持。

1. 基于BEV（Bird's-Eye View）空间建立三维车道线检测模型，降低透视畸变影响。
2. 复现BEV-LaneDet网络，并实现Apollo Synthetic Dataset数据集训练与验证。
3. 对比3D-LaneNet、Gen-LaneNet等模型性能，分析不同三维建模方式的检测效果。
4. 使用F-Score、近距离误差、远距离误差等指标完成模型评估，并分析复杂道路场景下模型泛化能力。

负责BEV-LaneDet算法复现及训练流程搭建，基于PyTorch完成Apollo Synthetic Dataset的数据预处理、网络训练及模型评估。实现BEV空间特征映射、Transformer特征融合及三维车道线预测，并复现3D-LaneNet、Gen-LaneNet等算法进行对比实验。针对复杂道路拓扑分析模型误差来源，利用F-Score及近远距离几何误差评价算法性能，为自动驾驶场景下三维车道线检测提供实验验证。