SeqGrowGraph：将车道拓扑学习为图扩展链
计算机视觉与模式识别
2025-07-08 v1
摘要
精确的车道拓扑对于自动驾驶至关重要，但传统方法难以模拟现实世界道路结构中普遍存在的复杂非线性结构，例如环路和双向车道。我们提出了SeqGrowGraph，这是一个新颖的框架，受人类地图绘制过程的启发，将车道拓扑学习为一系列图扩展。将车道图表示为有向图G=(V,E)，其中包含交叉口（V）和中心线（E），SeqGrowGraph通过一次引入一个顶点来逐步构建此图。在每一步，邻接矩阵（A）从n×n扩展到(n+1)×(n+1)以编码连通性，而几何矩阵（M）则捕获作为二次贝塞尔曲线的中心线形状。该图被序列化为序列，使得Transformer模型能够在深度优先搜索顺序的引导下，自回归地预测扩展链。在nuScenes和Argoverse 2数据集上的评估表明，SeqGrowGraph达到了最先进的性能。
引用
@article{arxiv.2507.04822,
title = {SeqGrowGraph: Learning Lane Topology as a Chain of Graph Expansions},
author = {Mengwei Xie and Shuang Zeng and Xinyuan Chang and Xinran Liu and Zheng Pan and Mu Xu and Xing Wei},
journal= {arXiv preprint arXiv:2507.04822},
year = {2025}
}