[论文解读] OpenLane-V2: A Topology Reasoning Benchmark for Unified 3D HD Mapping

Huijie Wang, Tianyu Li+14 more|arXiv (Cornell University)|Apr 20, 2023

Human Pose and Action Recognition被引用 18

一句话总结

OpenLane-V2 引入一个统一任务的拓扑推理基准，用于评估感知与拓扑推理的综合能力；通过将 3D 车道中心线与交通要素及其关系结合，并定义 OpenLane-V2 Score (OLS) 进行评估。

ABSTRACT

Accurately depicting the complex traffic scene is a vital component for autonomous vehicles to execute correct judgments. However, existing benchmarks tend to oversimplify the scene by solely focusing on lane perception tasks. Observing that human drivers rely on both lanes and traffic signals to operate their vehicles safely, we present OpenLane-V2, the first dataset on topology reasoning for traffic scene structure. The objective of the presented dataset is to advance research in understanding the structure of road scenes by examining the relationship between perceived entities, such as traffic elements and lanes. Leveraging existing datasets, OpenLane-V2 consists of 2,000 annotated road scenes that describe traffic elements and their correlation to the lanes. It comprises three primary sub-tasks, including the 3D lane detection inherited from OpenLane, accompanied by corresponding metrics to evaluate the model's performance. We evaluate various state-of-the-art methods, and present their quantitative and qualitative results on OpenLane-V2 to indicate future avenues for investigating topology reasoning in traffic scenes.

研究动机与目标

• 通过将车道与交通要素通过拓扑关系连接起来，推动超出单纯车道感知的场景理解。
• 提供具有连通性的新型 3D 车道中心线，以反映真实世界的道路网络。
• 标注交通要素及其与车道的关联，以实现面向自动驾驶的拓扑感知推理。
• 提供同时评估感知精度与拓扑推理能力的度量指标。

提出的方法

• 定义统一任务：3D 车道检测、交通要素识别，以及车道中心线与交通要素之间的拓扑推理。
• 将车道表示为具有连通性的有向中心线，交通要素以 2D 前视注释表示。
• 引入拓扑图：E_ll 表示车道到车道的连通性，E_lt 表示车道到交通要素的关系。
• 采纳 OpenLane-V2 Score (OLS) 作为综合度量，结合 DET 和 TOP 两个分量，并引入面向拓扑的缩放函数。
• 评估基础模型（STSU、VectorMapNet、MapTR、TopoNet）在交通要素检测与拓扑预测头部适配下的表现。

实验结果

研究问题

• RQ1 模型如何同时检测 3D 车道中心线、识别交通要素，并推断这些实体之间的拓扑关系？
• RQ2 中心线表示（实例 vs. 点集）对拓扑推理性能的影响如何？
• RQ3 在将现有 3D 映射学习方法扩展到 OpenLane-V2 的拓扑推理任务时表现如何？
• RQ4 在感知远距离车道与微小交通要素以实现准确拓扑预测时面临的挑战是什么？

主要发现

方法	设计	OLS	DET_l	DET_t	TOP_ll	TOP_lt
STSU	实例	25.4	12.7	43.0	0.5	15.1
STSU	实例 - 子集_B	21.2	8.2	43.9	0.0	9.4
VectorMapNet	点集	20.8	11.1	41.7	0.4	5.9
VectorMapNet	点集 - 子集_B	16.3	3.5	49.1	0.0	1.4
MapTR	点集	20.0	8.3	43.5	0.2	5.9
MapTR	点集 - 子集_B	21.1	8.3	54.0	0.1	3.7
TopoNet	实例	35.4	29.2	48.0	4.1	19.3
TopoNet	实例 - 子集_B	24.3	55.0	2.5	14.2

• OLS 分数在不同基线之间存在差异，拓扑推理成为瓶颈，原因在于中心线感知质量。
• 中心线检测具有挑战性（DET_l 通常低于 DET_t），拓扑度量（TOP_ll、TOP_lt）落后于感知度量。
• TopoNet 在 subset_A 上实现了 OpenLane-V2 的最高总分（35.4），在 subset_B 上也有竞争力的结果（24.3），显示了实例级查询在拓扑任务中的优势。
• 示例结果表明，提升车道感知的准确性对于提升车道与交通要素之间拓扑关系的预测至关重要。
• 基线方法使用点集表示或按中心线的查询，在车道形状真实感和与交通要素的正确关联方面各有长处。