Die Entwicklung von Fahrerassistenzsystemen und automatisierten Fahrfunktionen erfordert zunehmend einen hohen Testaufwand. Der virtuelle Fahrversuch mithilfe der Simulation ergänzt und entlastet die reale Fahrerprobund, darf sich aber in Qualität und Aussagekraft nicht wesentlich vom realen Test auf der Versuchsstrecke oder im öffentlichen Straßenverkehr unterscheiden.

Mit steigenden Anforderungen müssen die virtuellen Teststrecken immer realistischer das wirkliche Straßenbild nachstellen. Dazu gehört auch, möglichst wirklichkeitsnahe Teststrecken zu generieren, die nicht nur einzelne Testfälle abbilden. Reale Straßen und ihre Markierungen entsprechen häufig nicht den Idealvorstellungen und variieren in ihren Eigenschaften. Grundvoraussetzung, eine Teststrecke aus Bilddaten realer Straßen zu generieren, sind akkurate Bilderkennung- und unterscheidung. Die klassische Spurerkennung ist hier nur bedingt hilfreich.

Gegenstand dieser Arbeit ist es, verschiedene Ansätze zum Erkennen von Spurmarkierungen auf Bilddaten zu analysieren und zu evaluieren. Die beste erreichbare und effizienteste Lösung wurde mittels einer semantischen Segmentierung, die die verschiedenen Arten der Spurmarkierung erkennt und pixelweise klassifiziert, implementiert. Mithilfe der Segnet-Architektur konnte ein IOU Score von 0.3169 und ein Dice Koeffizient von 0.4790 erreicht werden. Darüber hinaus wurden weitere unabdingbare Arbeitsschritte diskutiert, die erforderlich sind, um Teststrecken generieren zu können.