近期，覺非科技通過在車端與路端的大規(guī)模數(shù)據(jù)積累，基于MapTR（Map TRansformer）方法提出了創(chuàng)新與優(yōu)化：①對(duì)車道信息的表達(dá)方式進(jìn)行優(yōu)化，并簡(jiǎn)化了模型結(jié)構(gòu)；②在MapTR的基礎(chǔ)上加入了地圖先驗(yàn)信息，有效提升模型輸出地圖元素的準(zhǔn)確度與召回率；③加入車道中心線以及道路拓?fù)涞纫氐慕?，系統(tǒng)化提升單車實(shí)時(shí)建圖效率，易于自動(dòng)駕駛規(guī)控使用。

2022年，華中科技大學(xué)Vision Lab與地平線合作，共同提出了矢量高精地圖在線實(shí)時(shí)構(gòu)建方法MapTR。其對(duì)地圖要素進(jìn)行結(jié)構(gòu)化建模，將地圖元素表征為一組等效排列的點(diǎn)集，消除表示上的歧義性，降低模型的學(xué)習(xí)難度。同時(shí)，采用分層查詢向量來編碼地圖結(jié)構(gòu)化信息，可對(duì)點(diǎn)信息和實(shí)例級(jí)信息進(jìn)行靈活編碼。

實(shí)驗(yàn)表明，MapTR在nuScenes數(shù)據(jù)集上取得了較好的建圖質(zhì)量和實(shí)時(shí)運(yùn)行速度，且在多樣而復(fù)雜的駕駛場(chǎng)景中也能保持穩(wěn)定的建圖性能。MapTR展現(xiàn)了在線建圖方案的潛力和前景，具有很高的應(yīng)用價(jià)值。

優(yōu)化方向：更適合自動(dòng)駕駛下游任務(wù)使用

實(shí)時(shí)建圖能力是實(shí)現(xiàn)自動(dòng)駕駛實(shí)時(shí)環(huán)境感知的前提。目前，地圖矢量化方法已成為實(shí)時(shí)建圖的熱點(diǎn)方向，其使用有序點(diǎn)集來表征各個(gè)地圖元素，直接回歸出每個(gè)地圖元素的點(diǎn)集，實(shí)現(xiàn)了更準(zhǔn)確的結(jié)果和更快的運(yùn)行速度。

然而，在實(shí)際應(yīng)用中，此類方法也出現(xiàn)了亟待提升之處。例如，檢測(cè)多道路信息時(shí)，模型結(jié)構(gòu)冗余，導(dǎo)致計(jì)算效率下降；對(duì)于遮擋與遠(yuǎn)處目標(biāo)，無法提取有效特征。同時(shí)，該方法不能直接輸出車道級(jí)的拓?fù)浣Y(jié)構(gòu)，導(dǎo)致下游規(guī)控模塊難以使用。

針對(duì)以上問題，覺非科技通過大量的車端與路端數(shù)據(jù)積累，對(duì)MapTR方法進(jìn)行實(shí)用性優(yōu)化，通過這些優(yōu)化更準(zhǔn)確的捕捉地圖細(xì)節(jié)和結(jié)構(gòu)，從建圖層面進(jìn)一步豐富了地圖要素的輸出，使其更適合自動(dòng)駕駛各種下游任務(wù)使用。

覺非科技的實(shí)踐

完善的車道屬性表達(dá)方式

在MapTR的基礎(chǔ)上，覺非科技增加了車道中心線的表達(dá)與輸出，這樣的方式可以更加清晰的反映出車道的連接關(guān)系。與此同時(shí)，覺非還增加了車道方向?qū)W習(xí)的能力，通過車道中心線的方向信息與對(duì)向車道的方向加以區(qū)分。不僅如此，模型還可以回歸車道寬度信息以及車道邊界線屬性信息，這樣的表達(dá)方式更加符合下游規(guī)控模塊的真實(shí)需求，極大提升了自車對(duì)于地圖理解的性能。

 加入地圖先驗(yàn)信息

通過大量的路測(cè)數(shù)據(jù)積累，覺非科技在MapTR中增加了地圖先驗(yàn)信息，特別是在“路口”或存在遮擋關(guān)系的場(chǎng)景下，該方法可以更加穩(wěn)定的輸出拓?fù)溥B接關(guān)系，極大提升了準(zhǔn)確度和召回率，進(jìn)而提高自車在經(jīng)過復(fù)雜路口等場(chǎng)景時(shí)的安全性。

圖：加入地圖先驗(yàn)信息前后對(duì)比

對(duì)于道路拓?fù)浔磉_(dá)形式的優(yōu)化

MapTR檢測(cè)的車道對(duì)象通常會(huì)被拓?fù)浞制琰c(diǎn)打斷，覺非科技的方案可以把被分歧點(diǎn)打斷的車道重新掛接，無需后續(xù)手動(dòng)處理車道掛接。這樣的方式雖然會(huì)導(dǎo)致檢出車道的部分重復(fù)，但可以使每個(gè)車道更加獨(dú)立，車道形狀更加連續(xù)與平滑，特別是在車道分叉頻繁的場(chǎng)景下，可以為模型提供更明確的監(jiān)督信號(hào)，提升整體模型在實(shí)際場(chǎng)景中使用的穩(wěn)定性。

目前，覺非科技正在將基于MapTR的多重改進(jìn)加入到多任務(wù)聯(lián)合訓(xùn)練中，結(jié)合對(duì)障礙物3D檢測(cè)、道路分割等能力，持續(xù)迭代感知大模型，賦予車輛在陌生場(chǎng)景下更好的自動(dòng)駕駛能力。覺非科技希望通過這樣的方式能夠?yàn)閷?shí)時(shí)建圖的進(jìn)一步創(chuàng)新提供基礎(chǔ)，最終提升自動(dòng)駕駛技術(shù)向更加安全可靠的方向發(fā)展。

論文原文鏈接：https://arxiv.org/abs/2208.14437

代碼鏈接：https://github.com/hustvl/MapTR