RATopo：通过冗余分配提高车道拓扑推理
计算机视觉与模式识别
2025-08-22 v1
摘要
车道拓扑推理在自动驾驶中发挥关键作用，主要用于建模车道之间的连接关系以及车道与交通要素之间的拓扑关系。大多数现有方法采用检测后推理的范式，基于检测阶段获得的一对一分配结果来监督拓扑关系。这种监督策略导致拓扑推理性能次优，由于有效监督范围有限。本文提出 RATopo，一种用于车道拓扑推理的冗余分配策略，使监督数量丰富且几何多样化。具体而言，我们重新结构化 Transformer 解码器，通过交换跨注意力和自注意力层来保留冗余车道预测，从而实现有效的一对多分配。我们还实例化多个具有独立参数的并行跨注意力块，这进一步增强了检测车道的多样性。在 OpenLane-V2 上的大量实验表明，RATopo 方法在模型无关且可无缝集成到现有拓扑推理框架中，持续改善了车道-车道和车道-交通拓扑性能。
关键词
引用
@article{arxiv.2508.15272,
title = {RATopo: Improving Lane Topology Reasoning via Redundancy Assignment},
author = {Han Li and Shaofei Huang and Longfei Xu and Yulu Gao and Beipeng Mu and Si Liu},
journal= {arXiv preprint arXiv:2508.15272},
year = {2025}
}
备注
Accepted by ACM MM 2025