[논문 리뷰] 3D-LaneNet+: Anchor Free Lane Detection using a Semi-Local Representation

Netalee Efrat, Max Bluvstein외 4명|arXiv (Cornell University)|2020. 11. 01.

Autonomous Vehicle Technology and Safety참고 문헌 23인용 수 30

한 줄 요약

3D-LaneNet+은 임의의 토폴로지(분할, 합류, 수직 차선)를 처리하는 앵커 프리의 반 지역 타일 표현으로 3D 차선 검출을 수행하며, 로컬 차선 세그먼트를 학습하고 이를 글로벌 임베딩으로 클러스터링하여 전체 차선을 구성합니다. 결과적으로 원래의 3D-LaneNet보다 우수합니다.

ABSTRACT

3D-LaneNet+ is a camera-based DNN method for anchor free 3D lane detection which is able to detect 3d lanes of any arbitrary topology such as splits, merges, as well as short and perpendicular lanes. We follow recently proposed 3D-LaneNet, and extend it to enable the detection of these previously unsupported lane topologies. Our output representation is an anchor free, semi-local tile representation that breaks down lanes into simple lane segments whose parameters can be learnt. In addition we learn, per lane instance, feature embedding that reasons for the global connectivity of locally detected segments to form full 3d lanes. This combination allows 3D-LaneNet+ to avoid using lane anchors, non-maximum suppression, and lane model fitting as in the original 3D-LaneNet. We demonstrate the efficacy of 3D-LaneNet+ using both synthetic and real world data. Results show significant improvement relative to the original 3D-LaneNet that can be attributed to better generalization to complex lane topologies, curvatures and surface geometries.

연구 동기 및 목표

• 병렬이 아니고 길이가 긴 차선 너머의 임의의 차선 토폴로지를 3D 차선으로 검출하는 동기를 부여하고 가능하게 한다.
• 차선을 지역 세그먼트로 분해하는 앵커 프리의 반 지역 타일 표현을 제안한다.
• 타일별 세그먼트 매개변수와 글로벌 임베딩을 학습하여 세그먼트를 전체 차선으로 클러스터링한다.
• 일반화 성능을 높이기 위해 차선 앵커와 폴리라인 피팅에 의존하지 않도록 한다.
• 합성 및 실제 데이터 세트에서 향상된 3D 차선 검출을 검증한다.

제안 방법

• 이미지 특징을 BEV로 투사하기 위해 이중 경로 인코더와 IPM을 사용한다.
• BEV를 서로 겹치지 않는 타일으로 나누고 타일별 차선 세그먼트 매개변수(오프셋, 각도, 높이)와 차선 교차 점수를 예측한다.
• 차선 각도를 각도 구간에 대한 하이브리드 분류-회귀 방식으로 표현한다.
• 타일당 글로벌 임베딩을 학습하고 구별 가능한 풀이-푸시 손실(discriminative pull-push loss)을 적용하여 타일을 차선으로 클러스터링한다.
• 학습한 임베딩에 대해 평균 이동 클러스터링을 사용하여 앵커나 폴리라인 피팅 없이 완전한 차선을 형성한다.
• 추론 중 타일 수준 세그먼트를 3D 포인트로 변환하고 BEV에서 카메라 좌표로 매핑한다.]
• research_questions: ["앵커 프리의 반 지역 타일 표현이 BEV에서 임의의 토폴로지(분할, 합류, 짧은 차선 또는 수직 차선)를 갖는 3D 차선을 검출할 수 있는가?","타일당 차선 세그먼트를 학습하고 글로벌 임베딩을 학습하는 것이 앵커 기반 3D-LaneNet과 비교해 복잡한 곡률 및 도로 표면 기하학에 대한 일반화를 개선하는가?","학습된 임베딩을 통한 클러스터링이 유사한 세그먼트 의사 결합보다 전체 차선 곡선을 형성하는 데 더 효과적인가?","합성 및 실제 데이터 세트에서 검출 MAP 및 기하학적 정확도 측면에서 이 방법의 성능은 어떠한가?"]

실험 결과

연구 질문

• RQ1 앵커 프리의 반 지역 타일 표현이 BEV에서 임의의 토폴로지(분할, 합류, 짧은 차선 또는 수직 차선)를 갖는 3D 차선을 검출할 수 있는가?
• RQ2 타일당 차선 세그먼트를 학습하고 글로벌 임베딩을 학습하는 것이 앵커 기반 3D-LaneNet과 비교해 복잡한 곡률 및 도로 표면 기하학에 대한 일반화를 개선하는가?
• RQ3 학습된 임베딩을 통한 클러스터링이 유사한 세그먼트 의사 결합보다 전체 차선 곡선을 형성하는 데 더 효과적인가?
• RQ4 합성 및 실제 데이터 세트에서 검출 MAP 및 기하학적 정확도 측면에서 이 방법의 성능은 어떠한가?

주요 결과

• 3D-LaneNet+은 합성 데이터에서 원래의 3D-LaneNet보다 더 높은 MAP 및 AP50을 달성합니다(MAP 0.90 대 0.74; AP50 0.95 대 0.79).
• 실제 데이터에서 3D-LaneNet+은 전체 MAP를 0.89, AP50을 0.95로 개선하고 전체 모델을 사용할 때 AP90이 0.60에 도달하며, 비판향적 변형은 더 낮은 성능을 보입니다.
• 글로벌 임베딩을 제거하거나 탐욕적 클러스터링을 사용하는 경우 MAP와 AP90이 감소하여 임베딩이 정확한 차선 복구와 더 긴 탐지에 기여함을 보여줍니다.
• 앵커 프리 분할은 앵커 기반 방법이 놓치는 분할, 합류, 짧은 차선, 수직 차선과 같은 복잡한 토폴로지를 검출할 수 있게 합니다.
• 장면-카메라 일반화가 강하게 나타나며 도메인 간 명시적 적응 없이 도시 교차로를 포함한 새로운 카메라 및 장면에 대해 잘 일반화됩니다.
• 실세계 데이터 세트 결과는 대략 14–15 cm 범위의 측면 정확도가 더 좋음을 보여주며 기준선에 비해 향상된 성능을 시사합니다.