BEV感知实时构建路口拓扑觉非科技基于MapTR的优化与实践

发布时间：2024-12-01 02:07

《洗衣实验室》：基于科学实验的衣物护理实践 #生活技巧# #衣物护理建议# #衣物护理书籍推荐#

近期，觉非科技通过在车端与路端的大规模数据积累，基于MapTR（Map TRansformer）方法提出了创新与优化：

①对车道信息的表达方式进行优化，并简化了模型结构；

②在MapTR的基础上加入了地图先验信息，有效提升模型输出地图元素的准确度与召回率；

③加入车道中心线以及道路拓扑等要素的建模，系统化提升单车实时建图效率，易于自动驾驶规控使用。

2022年，华中科技大学Vision Lab与地平线合作，共同提出了矢量高精地图在线实时构建方法MapTR。其对地图要素进行结构化建模，将地图元素表征为一组等效排列的点集，消除表示上的歧义性，降低模型的学习难度。同时，采用分层查询向量来编码地图结构化信息，可对点信息和实例级信息进行灵活编码。

实验表明，MapTR在nuScenes数据集上取得了较好的建图质量和实时运行速度，且在多样而复杂的驾驶场景中也能保持稳定的建图性能。MapTR展现了在线建图方案的潜力和前景，具有很高的应用价值。

觉非科技实时感知矢量地图能力展示

觉非科技的优化方向：更适合自动驾驶下游任务使用

实时建图能力是实现自动驾驶实时环境感知的前提。目前，地图矢量化方法已成为实时建图的热点方向，其使用有序点集来表征各个地图元素，直接回归出每个地图元素的点集，实现了更准确的结果和更快的运行速度。

然而，在实际应用中，此类方法也出现了亟待提升之处。例如，检测多道路信息时，模型结构冗余，导致计算效率下降；对于遮挡与远处目标，无法提取有效特征。同时，该方法不能直接输出车道级的拓扑结构，导致下游规控模块难以使用。

针对以上问题，觉非科技通过大量的车端与路端数据积累，对MapTR方法进行实用性优化，通过这些优化更准确的捕捉地图细节和结构，从建图层面进一步丰富了地图要素的输出，使其更适合自动驾驶各种下游任务使用。

觉非科技的实践

1.更完善的车道属性表达方式

在MapTR的基础上，觉非科技增加了车道中心线的表达与输出，这样的方式可以更加清晰的反映出车道的连接关系。与此同时，觉非还增加了车道方向学习的能力，通过车道中心线的方向信息与对向车道的方向加以区分。不仅如此，模型还可以回归车道宽度信息以及车道边界线属性信息，这样的表达方式更加符合下游规控模块的真实需求，极大提升了自车对于地图理解的性能。

2.加入地图先验信息

通过大量的路测数据积累，觉非科技在MapTR中增加了地图先验信息，特别是在“路口”或存在遮挡关系的场景下，该方法可以更加稳定的输出拓扑连接关系，极大提升了准确度和召回率，进而提高自车在经过复杂路口等场景时的安全性。

3.对于道路拓扑表达形式的优化

MapTR检测的车道对象通常会被拓扑分歧点打断，觉非科技的方案可以把被分歧点打断的车道重新挂接，无需后续手动处理车道挂接。这样的方式虽然会导致检出车道的部分重复，但可以使每个车道更加独立，车道形状更加连续与平滑，特别是在车道分叉频繁的场景下，可以为模型提供更明确的监督信号，提升整体模型在实际场景中使用的稳定性。