CVPR2022 | 单目车道线检测新方案（苏黎世联邦理工）

作者 | Malignus  编辑 | 汽车人

原文链接：https://zhuanlan.zhihu.com/p/548375167

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

1Motivation

对于下游的归控任务，下面的两种表述哪个更好呢：直行500m后左拐；直行到第二个十字路口左拐。作者认为肯定是后者更好，那么路口这种情况就得好好建模了，这种场景有啥难题呢，作者给了个图：

我对这张图的理解是这样的，假定自车位于绿点P，面前来到了一个十字路口。其中由东向西方向有两条车道，蓝色表示的由东向西最贴近下方的车道。那么我们要预测从P点出发，左拐到东向西的第二条车道上。若预测的车道为b)左边，biaji就撞上了由西向东的车辆。若预测的车道为b)右边，不好意思，违反交规，等着罚款扣分吧。那么对于这种情况，如果我们看线的LIoU或者其他的指标，可能c）这种情况指标还低一些，那这种拓扑关系其实就没有被捕捉到。那要咋办呢~看后文~

2Method

车道图表示

本文中车道图的定义与前作思路一致，即使用有向图进行局部路网的表征。定义有向图G(V, E), 其中图的顶点V指的是车道中心线切片(lane centerline segment)。图的边用来刻画车道中心线切片之间的连接关系，后续我们将用curve/lane centerline等方式来表述这个车道中心线，希望读者不要混淆。具体来讲，使用关联矩阵A作为图G(V, E)连接性的表示。当且仅当y的起始点与x的终点相同时，可以构建图中顶点x, y的一条边( (x, y) ∈ E)。其中，车道中心线使用贝塞尔曲线进行建模。

拓扑表示

前面讲了作者整个论文的动机，那么为了更好地把这个东西表示好，就提出了这样的一个拓扑表示。具体来说，如果知道所有intersection point的一个order，然后在学曲线的基础之上，学这个Intersection point的顺序就行了。可是这个顺序很难把他formulate, 作者就把他拆解成两个问题：首先知道curve间的intersection order 随后对于交汇的情况，构建最小闭合子图，用minimal covers来描述这个最小闭合子图。这里的minimal covers，就是这个子图具体包括了哪些curve。由于curve本身带顺序，那用这两个内容，就可以表示这样的Intersection point了~

上面的这张图算是一个简单的详解。

模型输出

模型框架

具体网络结构

该论文通过两种不同的网络结构来验证这套formulation的可行性，一套transformer-based，一套Polygon-RNN-based。

其实就是大家很熟悉的DETR那一套的思路。作者提出的方法名为Ours/TR，配合图和上半部分的内容其实已经可以很清楚的get到具体的细节了。作者在这个基础之上还提出了另一个baseline，叫TR-RNN：

3Evaluation

模型总共提出了以下几种评测方式，其中M-F-Score, Detection ratio与Connectivity这三个方法为前作提出，在这里统一进行一轮介绍：

Minimal-Cycle Minimal Cover(B):（下面的三个方法主要对minimal-cycle/拓扑关系进行评测）

• MC-F：基于estimate curves的minimal cycles将通过min-matching将其转化为基于GT curves的minimal cycles。随后，这些cycles将通过匈牙利匹配计算其与GT minimal cycles的TP, TN, FP. 得到对应的评价指标。

• H-GT-F：与MC-F的求解思路类似，基于estimate curves的minimal cycles将通过min-matching将其转化为基于GT curves的minimal cycles，随后通过前文计算的阈值，对cycle中cover所包括的边进行进一步约束。随后基于得到的cycles，我们基于阈值来进行进一步的对cycle的筛选，并通过匈牙利匹配来计算得到评测指标。H-GT-F评价的是minimal cycle网络基于GT的minimal cycle去预测GT拓扑结构的能力。

• H-EST-F：这里去掉了estimated curves到GT curves的min-matching操作，预测什么直接匈牙利算法去作匹配。

4Results

nuScenes & Argoverse

整体感受：

• 拓扑结构的引入没有带来对曲线检测本身指标的提升；

• polygon-rnn那套效果非常差；

• 目前可对比的baseline太少。

Other results

对于minimal cycle的预测，也是transformer-based效果好

对比了不同情况下的一个I-Order结果（前后的拓扑关系），可以看到Transformer-based效果都是最好的。

5Conclusion

这篇论文到这里就结束啦~ 整体文章其实写的有点乱有点杂，为了弄明白通篇的逻辑，愚笨的我其实读了非常多遍，对于I-Order等文章提出的一些指标或者中间量具体是怎么formulate，可能单独从读论文还是没办法很好的了解到。

作者也给出了这个工作的弊端，就是minimal cycle的训练时间会很长，需要离线去做。而且另外一点值得注意的是，这篇工作其实对于本身车道检测没啥提升，只是formulate了一个新的问题。而且表述不清的地方也比较多，好消息是工作已经开源~可以看看源码

【自动驾驶之心】全栈技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D感知、多传感器融合、SLAM、高精地图、规划控制、AI模型部署落地等方向；

加入我们：自动驾驶之心技术交流群汇总！

自动驾驶之心【知识星球】

想要了解更多自动驾驶感知（分类、检测、分割、关键点、车道线、3D感知、多传感器融合、目标跟踪）、自动驾驶定位建图（SLAM、高精地图）、自动驾驶规划控制、领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球（三天内无条件退款），日常分享论文+代码，这里汇聚行业和学术界大佬，前沿技术方向尽在掌握中，期待交流！