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
作者提出了一种统一的置换等价建模方法，即将地图元素建模为具有一组等价置换的点集，它准确地描述了地图元素的形状，并稳定了学习过程，它以实时推理速度运行，并在nuScenes和Argoverse2数据集上实现了SOTA的性能。已开源。
“论文：MapTRv2: An End-to-End Framework for Online Vectorized HD Map Construction
”
开源地址：https://github.com/hustvl/MapTR
高精地图提供了丰富而精确的驾驶场景静态环境信息，是自动驾驶系统规划的重要组成部分。在本文中，作者提出了Map TRansformer，一种用于在线矢量化高精地图构建的端到端框架。作者提出了一种统一的置换等价建模方法，即将地图元素建模为具有一组等价置换的点集，它准确地描述了地图元素的形状，并稳定了学习过程。设计了一种分层query嵌入方案，对结构化地图信息进行灵活编码，并对地图元素学习进行分层二分匹配。为了加快收敛速度，进一步引入了辅助的一对多匹配和密集监督。所提出的方法很好地处理了具有任意形状的各种地图元素。它以实时推理速度运行，并在nuScenes和Argoverse2数据集上实现了SOTA的性能。丰富的定性结果表明，在复杂多变的驾驶场景中，地图构建质量稳定稳健。
MapTRv2贡献总结如下：
提出了一种统一的地图元素置换等价建模方法，即将地图元素建模为具有一组等价置换的点集，它准确地描述了地图元素的形状，并稳定了学习过程。
基于新的建模，提出了一个结构化的端到端框架，用于高效的在线矢量化高清地图构建。设计了一种分层查询嵌入方案，对实例级和点级信息进行灵活编码，并对地图元素学习进行分层二分匹配。为了加快收敛速度，进一步引入了辅助一对多匹配和辅助密集监督。
本文方法是第一种实时和SOTA矢量化的高清地图构建方法，在复杂和各种驾驶场景中具有稳定和稳健的性能。
网络结构
MapTRv2旨在以统一的方式对高清地图进行建模和学习。HD地图是矢量化静态地图元素的集合，包括人行横道、车道分隔线、道路边界、中心线等。对于结构化建模，MapTRv2在几何上将地图元素抽象为封闭形状（如人行横巷）和开放形状（如车道分隔线）。通过沿形状边界依次采样，将闭合形状单元离散为多边形，将开放形状单元离散化为折线！
MapTRv2结构如上图所示，MapTRv2采用了编码器-解码器的范例。地图编码器将传感器输入转换为统一的BEV表示。地图解码器采用分层查询嵌入方案对地图元素进行显式编码，L堆叠的Transformer解码器层迭代地细化预测的映射元素。论文提出了几种自注意变体和交叉注意变体来有效地更新查询特征。MapTRv2完全是端到端的。该管道结构紧凑，效率高！
分层二分匹配。MapTRv2执行实例级匹配以找到最优实例级分配，并执行点级匹配以寻找最优点对点分配。基于最优实例级和点级分配，为端到端学习定义了一对一集预测损失。
实验对比分析
① 全网独家视频课程
BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、协同感知、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码学习）
视频官网：www.zdjszx.com
② 国内首个自动驾驶学习社区
近2000人的交流社区，涉及30+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（2D检测、分割、2D/3D车道线、BEV感知、3D目标检测、Occupancy、多传感器融合、多传感器标定、目标跟踪、光流估计）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、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，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！
③【自动驾驶之心】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目标检测、BEV感知、多模态感知、Occupancy、多传感器融合、transformer、大模型、点云处理、端到端自动驾驶、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向。扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）
④【自动驾驶之心】平台矩阵，欢迎联系我们！
881
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
