将车道图视为路径：用于在线车道图构建的保连续性路径式建模

在线车道图构建是自动驾驶中一个前景广阔但具挑战性的任务。以往方法通常在像素或片段层级对车道图建模，并通过像素级或片段级连接恢复车道图，这破坏了车道的连续性并导致次优性能。人类驾驶员关注并沿连续完整的路径行驶，而非考虑车道片段。自动驾驶车辆也需要来自车道图的路径级引导以进行轨迹规划。我们认为，指示交通流的路径是车道图的基元。受此启发，我们提出以新颖的路径式方式对车道图建模，其良好保持了车道连续性并为规划编码了交通信息。我们提出一种基于路径的在线车道图构建方法，称为 LaneGAP，其端到端学习路径并通过 Path2Graph 算法恢复车道图。我们在可控且公平的条件下，于具挑战性的 nuScenes 与 Argoverse2 数据集上定性及定量地展示了 LaneGAP 相较传统基于像素与基于片段方法的更优精度与效率。相较于 OpenLane-V2 数据集上近期的 state-of-the-art 片段式方法 TopoNet，LaneGAP 仍以 1.6 mIoU 的优势超越，进一步验证了路径式建模的有效性。补充材料中丰富的可视化显示 LaneGAP 可应对多样交通条件。代码发布于 \url{https://github.com/hustvl/LaneGAP}。