利用2D车道先验增强3D车道检测和拓扑推

利用2D车道先验增强3D车道检测和拓扑推

• 论文链接：https://arxiv.org/pdf/2406.03105

• 代码链接：https://github.com/homothetic/Topo2D

附赠自动驾驶最全的学习资料和量产经验：链接

摘要

本文介绍了利用2D车道先验增强3D车道检测和拓扑推理。3D车道检测和拓扑推理是自动驾驶场景中的重要任务，不仅需要检测车道线上精确的3D坐标，还需要推理车道与交通元素之间的关系。当前基于视觉的方法，不论是否显式构建BEV特征，均在3D空间中建立车道anchors/queries，而忽略2D车道先验。本项研究提出了Topo2D，这是一种基于Transformer的新框架，利用2D车道实例来初始化3D queries和3D位置嵌入。此外，本文显式地将2D车道特征加入车道中心线之间拓扑关系以及车道中心线和交通元素之间拓扑关系的识别中。Topo2D在多视图拓扑推理基准OpenLane-V2上实现了44.5%的OLS，在单视图3D车道检测基准OpenLane上实现了62.6%的F-Score，其超越了现有的最先进方法的性能。

主要贡献

本文的贡献总结如下：

1）本文提出使用2D车道先验来初始化3D车道queries和位置嵌入，从而提高3D车道感知性能；

2）本文显式地利用2D车道信息来辅助模型更好地识别车道中心线之间拓扑关系以及车道中心线和交通元素之间拓扑关系；

3）本文在多视图拓扑推理基准OpenLane-V2和单视图3D车道检测基准OpenLane上验证了所提出的Topo2D。Topo2D在这两个基准上均实现了最先进的性能。

论文图片和表格

总结

本文提出了一种用于车道检测和拓扑推理的新框架Topo2D。通过基于2D车道先验来初始化3D车道queries，3D车道检测器能够学习更全面的图像特征，从而实现更高的检测召回率。本文进一步显式地将2D车道特征加入拓扑结构的预测中。实验结果表明，所提出的Topo2D在多视图拓扑推理基准OpenLane-V2和单视图3D车道检测基准OpenLane上优于先前最先进的方法。