RelTopo: 驾驶场景拓扑推理的多层级关系建模
计算机视觉与模式识别
2025-11-19 v3
摘要
准确的道路拓扑推理对自动驾驶至关重要，因为它既需要感知道路元素，又需要理解车道之间的连接关系（L2L）以及车道与交通元素之间的连接关系（L2T）。现有方法往往侧重于感知或L2L推理，忽视了L2T的探索，且未能联合优化感知与推理。此外，尽管拓扑预测本质上涉及关系，但关系建模本身很少被纳入特征提取或监督中。由于人类自然地利用上下文关系来识别道路元素并推断其连接性，我们认为关系建模同样可以有益于感知和推理，并且这两个任务应该相互增强。为此，我们提出了RelTopo，一种多层级关系建模方法，系统地在三个层面上整合关系线索：1）感知层面：具有几何偏置自注意力和曲线引导交叉注意力的关系感知车道检测器丰富了车道表示；2）推理层面：关系增强的拓扑头，包括几何增强的L2L头和跨视角L2T头，通过关系线索增强拓扑推理；3）监督层面：对比性InfoNCE策略正则化关系嵌入。这种设计使得感知与推理能够联合优化。在OpenLane-V2上的广泛实验表明，RelTopo显著提升了检测和拓扑推理能力，在DET_l上提升+3.1，在TOP_ll上提升+5.3，在TOP_lt上提升+4.9，在OLS上整体提升+4.4，设立了新的最先进水平。代码将公开发布。
引用
@article{arxiv.2506.13553,
title = {RelTopo: Multi-Level Relational Modeling for Driving Scene Topology Reasoning},
author = {Yueru Luo and Changqing Zhou and Yiming Yang and Erlong Li and Chao Zheng and Shuqi Mei and Shuguang Cui and Zhen Li},
journal= {arXiv preprint arXiv:2506.13553},
year = {2025}
}
备注
Preprint. Under review