[论文解读] Online Map Vectorization for Autonomous Driving: A Rasterization Perspective

Gongjie Zhang, Jiahao Lin+6 more|arXiv (Cornell University)|Jun 18, 2023

Geographic Information Systems Studies被引用 16

一句话总结

本论文提出 MapVR，是一个可微分光栅化框架，通过用光栅化的高分辨率地图对向量化输出进行监督，并引入更敏感的基于光栅化的评估指标，以提升向量化 HD 地图预测的准确性。

ABSTRACT

Vectorized high-definition (HD) map is essential for autonomous driving, providing detailed and precise environmental information for advanced perception and planning. However, current map vectorization methods often exhibit deviations, and the existing evaluation metric for map vectorization lacks sufficient sensitivity to detect these deviations. To address these limitations, we propose integrating the philosophy of rasterization into map vectorization. Specifically, we introduce a new rasterization-based evaluation metric, which has superior sensitivity and is better suited to real-world autonomous driving scenarios. Furthermore, we propose MapVR (Map Vectorization via Rasterization), a novel framework that applies differentiable rasterization to vectorized outputs and then performs precise and geometry-aware supervision on rasterized HD maps. Notably, MapVR designs tailored rasterization strategies for various geometric shapes, enabling effective adaptation to a wide range of map elements. Experiments show that incorporating rasterization into map vectorization greatly enhances performance with no extra computational cost during inference, leading to more accurate map perception and ultimately promoting safer autonomous driving.

研究动机与目标

• 推动自动驾驶中在线精确 HD 地图构建，并解决现有向量化与评估方法的局限性。
• 提出一种对几何偏差更敏感的光栅化评估指标，优于 Chamfer 距离。
• 提出 MapVR：通过可微分的光栅化，将向量化输出与光栅化的 HD 地图对接，实现几何感知的监督。

提出的方法

• 定义一个可微分光栅化器，通过指数距离基遮罩对线段进行渲染，通过带有 Sigmoid 的符号距离对多边形要素进行渲染以产生 HD 掩膜。
• 对向量化预测应用光栅化 HD 地图监督（dice 损失），引导向量化预测，取消对等距点目标的依赖。
• 加入方向正则化损失，鼓励输出向量的平滑性与曲率感知。
• 在训练后保持推理时的效率，通过丢弃光栅化模块实现。
• 证明与现有地图向量化架构（如 MapTR）兼容，作为一个插件实施。

实验结果

研究问题

• RQ1 光栅化基监督如何影响自动驾驶场景中向量化 HD 地图要素的精度与鲁棒性？
• RQ2 基于光栅化的评估指标是否比 Chamfer 距离更能检测到微小几何偏差？
• RQ3 在不增加推理成本的前提下，MapVR 能否提升最先进的地图向量化（如 MapTR）？
• RQ4 光栅化分辨率、柔化程度与几何感知渲染如何影响不同地图要素形状（线 vs 多边形）的学习与性能？

主要发现

• MapVR 在多个数据集与设置下提升了地图向量化的准确性，尤其是在基于光栅化的评估（AP_raster）上，相较 Chamfer 基的 AP 有更大幅度的提升。
• 在 nuScenes Map（basic）上，MapVR 相对于 MapTR 有显著改进，使用多模态输入时差距更大。
• 在 nuScenes Map（extended）与 Argoverse2 上，MapVR 在两种评估指标下均达到最新的性能，验证了在不同数据集上的鲁棒性。
• 6V-mini-v0.4 的结果显示 MapVR 持续提升诸如车道与人行横道等要素，在复杂真实场景中有效。
• 一个基于光栅化的评估指标比 Chamfer 距离更具敏感性和几何信息导向性，与驾驶安全要求更吻合。