4. 车道保持算法选型：传统方法 vs 深度学习方法
做车道保持算法移植，第一步就是选型。选错了，后面全白干。
我个人习惯把车道保持算法分成三大流派：传统方法、端到端方法、语义分割方法。今天咱们就挨个盘一遍，最后告诉你我为什么选了其中一种。
4.1 传统方法：Hough变换与RANSAC
先说传统方法。说白了，就是用图像处理的老手艺来搞车道线检测。
4.1.1 Hough变换
Hough变换的核心思想很简单：把图像空间里的直线检测问题，转换到参数空间里去投票。你想想看，一条直线在图像里是 y = kx + b，但在参数空间里就是一个点 (k, b)。反过来，图像里的一个点，在参数空间里就是一条线。
具体做法是：
- 先对图像做边缘检测（Canny算子是标配）
- 然后对每个边缘点，在参数空间里画一条线
- 参数空间里哪个点被"投票"最多，就对应图像里的一条直线
实际效果如何？
我在项目中遇到过这种情况：白天光照好的时候，Hough变换跑得挺欢。但一到隧道、树荫、雨天，车道线稍微模糊一点，它就给你乱画一通。说白了，它对参数太敏感了——阈值设高了漏检，设低了误检。
4.1.2 RANSAC
RANSAC（随机抽样一致性算法）是另一种思路。它不搞投票，而是随机采样、拟合、验证。
步骤大致是：
- 从边缘点中随机选两个点，拟合一条直线
- 计算其他点到这条直线的距离
- 距离小于阈值的点算"内点"，统计内点数量
- 重复上述步骤N次，取内点最多的那条直线
避坑指南：
我曾经在高速场景下用RANSAC，结果发现它经常把路肩边缘当成车道线。为什么？因为路肩的边缘点更密集、更连续，RANSAC的随机采样更容易采到它。后来我加了车道宽度约束，才把这个问题压下去。
4.1.3 传统方法的局限性
说实话，传统方法在简单场景下够用，但到了复杂场景就捉襟见肘了：
- 光照变化：逆光、阴影、夜间，边缘检测直接崩
- 车道线磨损：虚线、磨损、被遮挡，Hough和RANSAC都很难处理
- 弯道：Hough只能检测直线，弯道需要分段拟合，精度堪忧
- 多车道：需要额外逻辑来区分哪条是当前车道
4.2 深度学习方法：端到端与语义分割
深度学习来了之后，车道保持算法有了质的飞跃。这里重点介绍两个代表性方法。
4.2.1 端到端方法：NVIDIA DAVE-2
DAVE-2是NVIDIA在2016年提出的经典工作。它的思路非常激进：直接从图像像素映射到方向盘转角。
网络结构很简单：
输入: 200x66 灰度图
↓
卷积层: 3层 (5x5, 2x2 stride)
↓
卷积层: 2层 (3x3, 1x1 stride)
↓
全连接层: 1164 → 100 → 50 → 10 → 1 (转角)你想想看，整个网络只有约25万个参数，在当年的嵌入式平台上就能跑到30fps以上。
注意：
DAVE-2虽然轻量，但它有个致命问题——可解释性差。我在实际测试中发现，它有时候会因为路面上一个水渍就猛打方向盘。你根本不知道它"看到"了什么，也没法调试。这在量产车上是不敢用的。
4.2.2 语义分割方法：LaneNet
LaneNet是另一种思路。它把车道线检测当作语义分割任务来做——每个像素被分类为"车道线"或"背景"。
LaneNet有两个分支：
- 分割分支：输出二值图，标记哪些像素是车道线
- 嵌入分支：对每个车道线像素生成一个嵌入向量，用于区分不同车道线
后处理阶段，用聚类算法把属于同一条车道线的像素归到一起，然后拟合曲线。
我的经验：
LaneNet的精度确实高，但计算量也大。我记得在Jetson TX2上跑，分辨率调到512x256，帧率才勉强到25fps。而且后处理中的聚类步骤很耗时，优化起来挺头疼的。
4.3 课程选型理由
好了，三种方法都介绍完了。你可能会问：你选哪个？
我的答案是：语义分割方法，具体来说是LaneNet的轻量化变体。
理由有三：
| 考量维度 | 传统方法 | 端到端方法 | 语义分割方法 |
|---|---|---|---|
| 精度 | 低（复杂场景） | 中（依赖数据） | 高 |
| 可解释性 | 高 | 低 | 中 |
| 嵌入式部署难度 | 低 | 低 | 中 |
| 泛化能力 | 差 | 中 | 好 |
为什么不是端到端？
说实话，端到端方法在学术圈很火，但工业界用得少。为什么？因为出了问题你没法修。语义分割至少能可视化出"模型看到了什么"，调试起来有方向。
当然，LaneNet原版太胖了，直接往嵌入式上搬不现实。本课程后续章节会教你如何做轻量化改造——剪枝、量化、蒸馏，一套组合拳打下来，在RK3588上跑到30fps不是问题。
嗯，选型就聊到这儿。下一章我们开始动手搭建开发环境，把代码跑起来。