Topo2Seq：通过拓扑序列学习增强拓扑推理
计算机视觉与模式识别
2025-07-02 v1
摘要
从透视视图（PV）中提取车道拓扑对于自动驾驶的规划和控制至关重要。该方法从不依赖高清（HD）地图的情况下提取自驾车可行路径。然而，DETR 类框架的无序性质及其弱长程感知会导致线段端点错位，并限制拓扑预测能力。灵感来自语言模型中上下文关系的学习，道路的连接关系可表现为显式的拓扑序列。在本文中，我们提出 Topo2Seq，一种通过拓扑序列学习增强拓扑推理的方法。Topo2Seq 的核心概念是 lane segment 解码器与拓扑序列解码器之间的随机化顺序提示-序列学习。双解码器分支同时学习从定向无环图（DAG）中提取的车道拓扑序列以及包含几何信息的车道图。随机化顺序提示-序列学习从 lane segment 解码器预测的无序关键点中提取关键点，然后输入到拓扑序列解码器的提示设计中，以重建有序且完整的车道图。如此，lane segment 解码器可从拓扑序列解码器学习强大的长程感知和准确的拓扑推理。值得注意的是，仅在训练期间引入拓扑序列解码器，而不影响推理效率。在 OpenLane-V2 数据集上的实验评估表明，Topo2Seq 在拓扑推理方面实现了最先进的性能。
引用
@article{arxiv.2502.08974,
title = {Topo2Seq: Enhanced Topology Reasoning via Topology Sequence Learning},
author = {Yiming Yang and Yueru Luo and Bingkun He and Erlong Li and Zhipeng Cao and Chao Zheng and Shuqi Mei and Zhen Li},
journal= {arXiv preprint arXiv:2502.08974},
year = {2025}
}