【ECCV 2024】地平线&华科提出基于路径表示的端到端在线车道线构建SOTA方案LaneGAP

一、论文导读

在本文中，作者提出了一种纯视觉输入的基于路径的在线车道地图构建算法LaneGAP，实现了性能和推理速度的进一步提升，超越了现有的基于像素和基于段的车道地图构建算法，并且在OpenLane-V2数据集上实现了SOTA的建图性能

二、论文研究背景

车道线地图包含了详细的车道级交通信息，并为自动驾驶车辆的轨迹规划任务提供了指导。但是传统的车道线地图构建方案主要是采用离线的构建方式，地图的鲜度无法得到很好的保证。因此，利用车载传感器进行在线的车道地图具构建具有很大的应用和学术价值。

目前主流有两种车道地图构建方案，第一种是基于像素的构建方案，另外一种是基于段的构建方案

Pixel-wise方法：以逐像素的方式对车道地图进行建模，并且采用先分割后矢量化的范式构建车道线地图。但这类算法通常需要繁重的后处理流程，非常耗时，并且在复杂的路况下表现很差。
Piece-wise方法：将车道地图在交叉点（即合并点和分叉点）处分割成车道块，并预测路段间的连通性矩阵进而构建车道线地图。但是这类算法会打破道路之间的连接性，模型依旧很难学习到道路中复杂的拓扑结构。

因此，考虑到上述提到的两类算法的劣势以及人类驾驶的思维模式，本文将车道地图解耦为一组连续的路径，并且采用端到端的方式对路径进行预测，最后利用提出的Path2Graph算法生成最终的车道地图。Pixel-wise、Piece-wise以及Path-wise的不同建模方式的对比如下图所示。

三、网络模型结构&技术细节梳理

下图展示了LaneGAP算法模型的网络结构，可以看出网络结构比较简洁，很端到端

核心创新点一：Graph2Path拆解车道线地图

在本文中，给定真值车道线地图 $$G$$，首先找到根节点和叶子节点 $$\Omega_{root}$$和 $$\Omega_{leaf}$$。然后对根节点和叶子节点进行配对，利用深度优先搜索算法找到有效的路径，从而实现将车道线地图转化为一组带有方向的车道线集合，Graph2Path算法的伪代码如下图的Algorithm 1所示。

核心创新点二：Path Representation and Learning

在LaneGAP中，对路径进行了两种参数化的表示，分别为Polyline和Bezier。

Polyline：将任意有向路径建模为的个点的有序集合，并且LaneGAP采用可变性注意力来提取Polyline路径上的局部信息来回归Polyline上的点
Bezier：将有向路径建模为个控制点的有序集合，根据贝塞尔曲线中的控制点和伯恩斯坦基数计算贝塞尔曲线。

在对路径进行参数化之后，利用可学习的Path Query和Decoder模块来预测路径。此外，本文中也使用了BEV Segmentation损失来增强LaneGAP的建图性能。

核心创新点三：Path2Graph合成车道线地图

为了进一步恢复车道拓扑的图结构，提取合并和分叉信息，本文提出了Path2Graph算法对预测的路径转换到了有向车道地图，如上图的右侧伪代码所示。在伪代码中，先是将路径离散为点序列，将离散化后的点视为顶点，将连续点之间的相邻关系视为顶点的边。然后将这些顶点和边添加到有向图中，对于有重复的顶点，根据阈值进行融合，最后得到车道线地图。