[論文レビュー] Lane Graph as Path: Continuity-preserving Path-wise Modeling for Online Lane Graph Construction

Bencheng Liao, Shaoyu Chen+6 more|arXiv (Cornell University)|Mar 15, 2023

Autonomous Vehicle Technology and Safety被引用数 5

ひとこと要約

本稿では、画素や断片ではなく連続的なパスとしてレーンをモデル化することで、トポロジカルな連続性を保持し、計画の正確性を向上させる、新しいパス単位のオンラインレーングラフ構築手法LaneGAPを提案する。エンドツーエンドのパス検出とPath2Graph回復アルゴリズムを用いることで、nuScenesおよびArgoverse2データセットで最先端の性能を達成し、推論速度が2倍速い。

ABSTRACT

Online lane graph construction is a promising but challenging task in autonomous driving. Previous methods usually model the lane graph at the pixel or piece level, and recover the lane graph by pixel-wise or piece-wise connection, which breaks down the continuity of the lane and results in suboptimal performance. Human drivers focus on and drive along the continuous and complete paths instead of considering lane pieces. Autonomous vehicles also require path-specific guidance from lane graph for trajectory planning. We argue that the path, which indicates the traffic flow, is the primitive of the lane graph. Motivated by this, we propose to model the lane graph in a novel path-wise manner, which well preserves the continuity of the lane and encodes traffic information for planning. We present a path-based online lane graph construction method, termed LaneGAP, which end-to-end learns the path and recovers the lane graph via a Path2Graph algorithm. We qualitatively and quantitatively demonstrate the superior accuracy and efficiency of LaneGAP over conventional pixel-based and piece-based methods on the challenging nuScenes and Argoverse2 datasets under controllable and fair conditions. Compared to the recent state-of-the-art piece-wise method TopoNet on the OpenLane-V2 dataset, LaneGAP still outperforms by 1.6 mIoU, further validating the effectiveness of path-wise modeling. Abundant visualizations in the supplementary material show LaneGAP can cope with diverse traffic conditions. Code is released at \url{https://github.com/hustvl/LaneGAP}.

研究の動機と目的

• 画素単位および断片単位のレーングラフモデリングの限界、すなわちレーンの連続性を損ない、計画を妨げることを是正すること。
• 人間のドライバーが連続的な交通フローをどのように認識・走行するかを反映するために、レーングラフをパスレベルでモデル化すること。
• 自律走行におけるリアルタイムの運動計画をサポートするエンドツーエンドのオンラインレーングラフ構築フレームワークを開発すること。
• 密集した交差点や重複するレーンを含む複雑な都市環境におけるロバスト性と正確性を向上させること。
• パス単位のモデリングが、従来の手法よりも優れた一般化性能と高速な推論を実現できることを示すこと。

提案手法

• レーングラフを連続的かつ完全なパスに分解するためのGraph2Pathアルゴリズムを提案し、各パスを学習の基本単位として扱う。
• セット予測を用いてエンドツーエンドのパス検出を実現し、パスの幾何学的形状とトポロジーを同時に予測可能にする。
• 幾何的およびトポロジカル制約を用いて、検出されたパスから完全なレーングラフを再構築するPath2Graphアルゴリズムを導入する。
• 特徴表現の向上とロバスト性の強化のため、マルチモalityエンコーダ（カメラとLiDAR）を採用する。
• パス検出をガイドし、局所化の正確性を向上させるために補助的なBEVセグメンテーションブランチを統合する。
• 表現力と一般化のバランスを図るため、可変な点数を持つポリラインパス表現を採用する。

実験結果

リサーチクエスチョン

• RQ1 パスレベルでのレーングラフモデリングは、複雑な都市環境において連続性を保ち、性能を向上させることができるか？
• RQ2 画素単位および断片単位の手法と比較して、パス単位のモデリングは正確性、ロバスト性、推論速度の面でどのように差がつくか？
• RQ3 パス表現（ポリライン対Bezier）およびモダリティ（ビジョン対LiDAR）が、レーングラフ構築の品質に与える影響は何か？
• RQ4 トレーニングスケジュールの変更が、パス単位のレーングラフ構築の性能に与える影響は何か？
• RQ5 パス単位のモデリングは、多様な交通状況や複雑な交差点に対しても一般化可能か？

主な発見

• 110エポックのマルチモダリティ設定下で、LaneGAPはJunction TOPO（0.632）およびTOPO（0.597）の両指標で最高のF1スコアを達成し、先行手法を上回った。
• カメラ入力のみで、LaneGAPはTOPOで53.1%、Junction TOPOで61.5%のF1を達成し、公平な比較下でHDMapNetおよびMapTRを上回った。
• 画素単位および断片単位のベースラインと比較して、推論速度が2倍速く、エンドツーエンドのパスモデリングによる効率性の向上を示した。
• LiDARオンリーモードでは、ビジョンオンリーと比較してJunction TOPOでF1が6.1ポイント向上し、融合によりさらなる性能向上が得られた。
• Bezier表現において5つの制御点が最適な性能を発揮したが、5点を超えて増加させると過学習のため正確性が低下した。
• 補助的なBEVセグメンテーションブランチは、推論コストを増やさずにJunction TOPO F1を1%、TOPO F1を1.1%向上させた。