[论文解读] 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 5

一句话总结

本文提出 LaneGAP，一种新型的路径级在线车道图构建方法，将车道建模为连续路径而非像素或片段，从而保持拓扑连续性并提升规划保真度。该方法通过端到端路径检测和 Path2Graph 恢复算法，在 nuScenes 和 Argoverse2 数据集上实现了最先进性能，且推理速度提升 2 倍，精度更优。

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}.

研究动机与目标

• 为解决基于像素和基于片段的车道图建模方法所导致的车道连续性破坏及规划困难问题。
• 在路径层面建模车道图，以反映人类驾驶员对连续车流动态的感知与导航方式。
• 开发一种端到端的在线车道图构建框架，支持自动驾驶中的实时运动规划。
• 在密集交叉口和重叠车道等复杂城市场景中提升鲁棒性与精度。
• 证明路径级建模相比现有方法可实现更好的泛化能力与更快的推理速度。

提出的方法

• 提出 Graph2Path 算法，将车道图分解为连续完整的路径，将每条路径视为学习的基本单元。
• 采用集合预测实现端到端路径检测，支持路径几何与拓扑结构的联合预测。
• 提出 Path2Graph 算法，利用几何与拓扑约束从检测到的路径重建完整车道图。
• 采用多模态编码器（摄像头与 LiDAR）以提升特征表示能力与鲁棒性。
• 引入辅助 BEV 分割分支，引导路径检测并提升定位精度。
• 采用包含可变点数的多项式路径表示，以在表达能力与泛化性之间取得平衡。

实验结果

研究问题

• RQ1 在路径级别建模车道图是否能保持连续性，并在复杂城市环境中提升性能？
• RQ2 与基于像素和基于片段的方法相比，路径级建模在精度、鲁棒性与推理速度方面表现如何？
• RQ3 路径表示方式（多项式 vs. 贝塞尔曲线）以及模态类型（视觉 vs. LiDAR）对车道图构建质量有何影响？
• RQ4 训练策略如何影响路径级车道图构建的性能？
• RQ5 路径级建模是否能泛化到多样化的交通条件与复杂交叉口场景？

主要发现

• 在多模态设置下，使用 110 个训练周期，LaneGAP 在 Junction TOPO（0.632）和 TOPO（0.597）指标上均取得最高 F1 分数，优于现有方法。
• 仅使用摄像头输入时，LaneGAP 在 TOPO 上取得 53.1% 的 F1 分数，在 Junction TOPO 上取得 61.5%，在公平比较下超越 HDMapNet 与 MapTR。
• 与基于像素和基于片段的基线方法相比，该方法实现 2 倍的推理速度提升，证明了端到端路径建模在效率上的优势。
• 相比仅使用视觉输入，仅使用 LiDAR 输入可使 Junction TOPO 的 F1 分数提升 6.1 个百分点，而多模态融合进一步提升性能。
• 在贝塞尔曲线表示中，使用 5 个控制点可获得最佳性能，超过 5 个点后因过拟合导致精度下降。
• 辅助 BEV 分割分支在不增加推理成本的前提下，使 Junction TOPO 的 F1 分数提升 1%，TOPO 的 F1 分数提升 1.1%。