[论文解读] Automatic Construction of Lane-level HD Maps for Urban Scenes

Yiyang Zhou, Yuichi Takeda+2 more|arXiv (Cornell University)|Jul 23, 2021

Automated Road and Building Extraction被引用 5

一句话总结

该论文提出了一种基于语义粒子滤波的框架，用于在复杂城市环境中利用前视摄像头图像和可选的LIDAR数据，实现全自动、高精度的车道级高精地图构建。通过将语义分割与鸟瞰图投影下的序列蒙特卡洛探索相结合，并利用OpenStreetMap作为拓扑先验，该方法在车道边界检测（mIOU 0.79）、轨迹估计（RMS 24cm）以及复杂交叉路口的拓扑结构推断方面表现出色，即使在车道线缺失或结构复杂的场景下也具有鲁棒性。

ABSTRACT

High definition (HD) maps have demonstrated their essential roles in enabling full autonomy, especially in complex urban scenarios. As a crucial layer of the HD map, lane-level maps are particularly useful: they contain geometrical and topological information for both lanes and intersections. However, large scale construction of HD maps is limited by tedious human labeling and high maintenance costs, especially for urban scenarios with complicated road structures and irregular markings. This paper proposes an approach based on semantic-particle filter to tackle the automatic lane-level mapping problem in urban scenes. The map skeleton is firstly structured as a directed cyclic graph from online mapping database OpenStreetMap. Our proposed method then performs semantic segmentation on 2D front-view images from ego vehicles and explores the lane semantics on a birds-eye-view domain with true topographical projection. Exploiting OpenStreetMap, we further infer lane topology and reference trajectory at intersections with the aforementioned lane semantics. The proposed algorithm has been tested in densely urbanized areas, and the results demonstrate accurate and robust reconstruction of the lane-level HD map.

研究动机与目标

• 解决在道路结构复杂、车道线不规则的密集城市环境中，大规模、低成本的车道级高精地图构建挑战。
• 实现无需人工标注的全自动端到端车道几何、参考轨迹及拓扑关系（如合流/分流）重建。
• 结合2D图像的语义理解与基于OpenStreetMap的拓扑推理，推断交叉路口处的道路连通性。
• 在真实城市场景中实现鲁棒性能，包括车道分裂、断裂车道线以及公交车站、自行车道等非规则道路特征。

提出的方法

• 采用在Cityscapes上预训练并在BDD100K上微调的DeepLab-v3+语义分割网络，对前视图像中的可行驶区域和车道类型进行分类。
• 利用LIDAR数据提供的真实地形投影，将分割后的语义地图投影到鸟瞰图（BEV）空间，以保持几何精度。
• 在BEV地图上应用序列蒙特卡洛（粒子滤波）方法，通过具有随机运动模型的粒子传播来追踪车道路径。
• 使用DBSCAN聚类（最大距离1m）将粒子聚类为连贯的车道段，进而推断车道边界和中心线。
• 利用OpenStreetMap作为粗粒度先验，推断交叉路口处的拓扑关系，包括合流、分流及车道之间的连通性。
• 将最终地图表示为有向环图（DCG），以实现高效存储与查询，并支持下游自动驾驶模块的可微分格式。

实验结果

研究问题

• RQ1 语义粒子滤波框架是否能在车道线缺失或断裂的城市场景中实现准确且鲁棒的车道级高精地图重建？
• RQ2 结合语义分割与LIDAR提供的地形校正后，基于BEV的粒子滤波在追踪车道方面的有效性如何？
• RQ3 将OpenStreetMap作为拓扑先验，在多大程度上提升了对交叉路口连通性与车道拓扑结构的推断能力？
• RQ4 与平面假设相比，使用真实地面地形（来自LIDAR）在复杂城市环境中对地图精度与鲁棒性有何提升？

主要发现

• 在伯克利市中心，该方法在车道中心轨迹估计上实现了24 cm的均方根误差（RMS），在车道边界检测上实现了0.79的平均IOU。
• 在旧金山诺布山地区，系统实现了0.33 m的RMS误差和0.76的mIOU，且在0.7 IOU阈值下，精确率与召回率均为0.63。
• 与平面地面假设相比，使用LIDAR校正的地形显著提升了检测的精确率与召回率，尤其在地形不平或有坡度的城市区域表现更优。
• 集成OpenStreetMap使系统能够准确推断交叉路口处的拓扑关系，包括合流与分流，且在非城市化区域的基线方法中表现出更低的RMS误差。
• 该方法在车道分裂、断裂车道线以及公交车站、自行车道等非规则道路特征等复杂城市条件下表现出鲁棒性。
• 该方法在泛化能力与评估透明度方面优于先前工作，因其在公开数据集（UrbanLoco）上使用标准化指标进行了验证。