TopoLogic：一种用于驾驶场景车道拓扑推理的可解释流水线
计算机视觉与模式识别
2024-05-24 v1 人工智能
摘要
作为一项融合感知与推理的新兴任务，自动驾驶场景中的拓扑推理近期受到广泛关注。然而，现有工作往往强调“感知优于推理”：它们通常通过增强车道感知来提升推理性能，并直接采用MLP从车道查询中学习车道拓扑。这种范式忽略了车道本身固有的几何特征，且容易受到车道检测中固有端点偏移的影响。为解决这一问题，我们提出了一种基于车道几何距离和车道查询相似度的可解释车道拓扑推理方法，命名为TopoLogic。该方法减轻了几何空间中端点偏移的影响，并在语义空间中引入显式相似度计算作为补充。通过整合两个空间的结果，我们的方法为车道拓扑提供了更全面的信息。最终，我们的方法在主流基准OpenLane-V2上显著优于现有最先进方法（在subset_A上TOP_ll为23.9 vs 10.9，OLS为44.1 vs 39.8）。此外，我们提出的几何距离拓扑推理方法可以无需重新训练地集成到已训练好的模型中，显著提升车道拓扑推理性能。代码已发布在https://github.com/Franpin/TopoLogic。
引用
@article{arxiv.2405.14747,
title = {TopoLogic: An Interpretable Pipeline for Lane Topology Reasoning on Driving Scenes},
author = {Yanping Fu and Wenbin Liao and Xinyuan Liu and Hang xu and Yike Ma and Feng Dai and Yucheng Zhang},
journal= {arXiv preprint arXiv:2405.14747},
year = {2024}
}