LaneGCN《Learning Lane Graph Representationsfor Motion Forecasting​​》论文精读

摘要

原文链接：https://arxiv.org/abs/2007.13732

        提出了一种新颖的结构化地图表示：actor-map之间的交互。

        直接从原始地图数据中构建车道图，目的是为了显式地保留地图结构。

        提出LaneGCN的目的：为了捕获复杂的拓扑结构和车道图的长范围依赖关系。

        利用了一个融合网络，包含了四种类型之间的交互：

                参与者---车道；

                车道---车道；

                车道---参与者；

                参与者---参与者。

1.Introduction

        参与者的行为在很大程度上取决于地图拓扑结构。

        将地图光栅化的过程不可避免地会导致信息丢失。

        地图具有具有复杂拓扑结构的图形结构，2D卷积可能非常低效。

        主要贡献：

        (1)利用矢量化的地图数据构建车道图，提出了车道图卷积网络(LaneGCN)；

        (2)利用LaneGCN建模了四种类型的交互，参考图1；

        (3)在Argoverse上取得了好成绩。

2.Related Work

        VectorNet和LaneGCN之间有两个主要区别：

        首先，VectorNet使用无向全连接的普通图网络，而我们根据地图拓扑构建了稀疏连接的车道图，并提出了任务特定的多类型和扩展图算子。

        其次，VectorNet使用折线级节点进行交互，而我们的LaneGCN使用折线段作为地图节点来获取更高的分辨率。

3.Lane Graph Representations for Motion Forecasting

总体框架：

四个模块组成：

        (1) ActorNet接收过去的行动者轨迹作为输入，使用1D卷积提取行动者节点特征。

        (2) MapNet从高清地图中构建车道图，并使用LaneGCN精确提取车道节点特征。

        (3) FusionNet是一个由4个交互块组成的堆栈。参与者到车道块融合了参与者节点到车道节点之间的实时交通信息。车道到车道块在车道图上传播信息并更新车道特征。车道到参与者块将更新的地图信息从车道节点融合到参与者节点。actor到actor块执行actor之间的交互。我们对车道到车道的块使用另一个LaneGCNÿ