[논문 리뷰] Lane Graph as Path: Continuity-preserving Path-wise Modeling for Online Lane Graph Construction

Bencheng Liao, Shaoyu Chen외 6명|arXiv (Cornell University)|2023. 03. 15.

Autonomous Vehicle Technology and Safety인용 수 5

한 줄 요약

이 논문은 레인을 픽셀이나 조각이 아닌 연속적인 경로로 모델링함으로써 위상적 연속성을 유지하고 계획 정확도를 향상시키는 새로운 경로 기반 온라인 레인 그래프 구축 방법인 LaneGAP을 제안한다. 엔드 투 엔드 경로 검출과 Path2Graph 복구 알고리즘을 사용하여 nuScenes 및 Argoverse2 데이터셋에서 최신 기술 수준의 성능을 달성하며, 추론 속도는 2배 빠르다.

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}.

연구 동기 및 목표

• 픽셀 기반 및 조각 기반 레인 그래프 모델링의 한계를 해결하여 레인 연속성을 해치고 계획을 방해하는 문제를 해결한다.
• 운전자가 연속적인 교통 흐름을 인지하고 주행하는 방식을 반영하여 레인 그래프를 경로 수준에서 모델링한다.
• 자율주행에서 실시간 운동 계획을 지원하는 엔드 투 엔드 온라인 레인 그래프 구축 프레임워크를 개발한다.
• 밀도 높은 교차로와 겹치는 레인을 포함한 복잡한 도심 환경에서의 강건성과 정확도를 향상시킨다.
• 경로 기반 모델링이 기존 방법보다 더 우수한 일반화 능력과 더 빠른 추론 속도를 제공함을 입증한다.

제안 방법

• 레인 그래프를 연속적이고 완전한 경로로 분해하는 Graph2Path 알고리즘을 제안하여 각 경로를 학습을 위한 기본 단위로 간주한다.
• 세트 예측을 사용해 엔드 투 엔드 경로 검출을 구현하여 경로 기하학적 구조와 위상적 연결성을 동시에 예측한다.
• 기하학적 및 위상적 제약 조건을 활용하여 검출된 경로에서 전체 레인 그래프를 복원하는 Path2Graph 알고리즘을 도입한다.
• 다중 모odal 인코더(카메라 및 LiDAR)를 사용하여 특징 표현과 강건성을 향상시킨다.
• 경로 검출을 안내하고 국소화 정확도를 향상시키기 위해 보조 BEV 세그멘테이션 브랜치를 통합한다.
• 표현력과 일반화 능력의 균형을 맞추기 위해 가변적인 점 수를 가진 폴리라인 경로 표현 방식을 채택한다.

실험 결과

연구 질문

• RQ1 경로 수준에서 레인 그래프를 모델링할 경우, 복잡한 도심 환경에서 연속성을 유지하고 성능을 향상시킬 수 있는가?
• RQ2 픽셀 기반 및 조각 기반 방법과 비교해 경로 기반 모델링은 정확도, 강건성, 추론 속도 측면에서 어떻게 성능을 냈는가?
• RQ3 경로 표현 방식(폴리라인 대 비에저)과 모달리티(시각 대 LiDAR)가 레인 그래프 구축 품질에 어떤 영향을 미치는가?
• RQ4 학습 스케줄이 경로 기반 레인 그래프 구축 성능에 어떤 영향을 미치는가?
• RQ5 경로 기반 모델링은 다양한 교통 조건과 복잡한 교차로에 일반화될 수 있는가?

주요 결과

• 110 에포크의 다중 모달리티 설정에서 LaneGAP은 Junction TOPO(0.632) 및 TOPO(0.597) 지표에서 가장 높은 F1 스코어를 기록하여 기존 방법을 능가한다.
• 카메라 입력만으로도 LaneGAP은 TOPO에서 53.1%의 F1 스코어, Junction TOPO에서 61.5%의 F1 스코어를 기록하여 공정한 비교 조건에서 HDMapNet 및 MapTR를 초월한다.
• 픽셀 기반 및 조각 기반 기준선 대비 추론 속도가 2배 빠르며, 엔드 투 엔드 경로 모델링으로 인한 효율성 향상을 입증한다.
• LiDAR 단독 입력은 뷰 단독 입력 대비 Junction TOPO에서 F1 스코어를 6.1%p 향상시키며, 융합은 성능을 추가로 향상시킨다.
• 비에저 표현에서 제어점을 5개로 사용할 경우 최적의 성능을 기록하며, 5개를 초과해 점 수를 늘릴 경우 과적합으로 인해 정확도가 떨어진다.
• 보조 BEV 세그멘테이션 브랜치는 추론 비용 없이 Junction TOPO F1 스코어를 1%p, TOPO F1 스코어를 1.1%p 향상시킨다.