PLCNet：用于高精地图中自动车道校正的逐块车道校正网络

PLCNet：用于高精地图中自动车道校正的逐块车道校正网络

• 论文链接：https://arxiv.org/ftp/arxiv/papers/2401/2401.14024.pdf

摘要

本文介绍了PLCNet：用于高精地图中自动车道校正的逐块车道校正网络。在高精（HD）地图中，车道元素构成了大部分组件，并且制定严格的定位要求，以确保车辆导航的安全性。使用激光雷达位置分配的视觉车道检测是获取高精地图初始车道的一种常用方法。然而，由于不正确的视觉检测和粗略的相机-激光雷达标定，初始车道可能会在不确定的范围内偏离其真实位置。为了降低手动车道校正的需求，本文提出了一种逐块车道校正网络（PLCNet），以自动地校正从点云转换而来的初始车道点在局部激光雷达图像中的位置。PLCNet首先提取多尺度图像特征，并且以每个初始车道点为中心裁剪块（ROI）特征。通过应用ROIAlign，固定大小的ROI特征被展平为1维特征。然后，本文设计了一个1维车道注意力模块来计算具有自适应权重的实例级车道特征。最后，通过一个多层感知器来推断车道校正偏移量，并且用于校正初始车道位置。考虑到实际应用，本文的自动方法支持将局部校正的车道合并为全局校正的车道。通过在自建数据集上进行大量实验，结果证明PLCNet实现了快速且有效的初始车道校正。

附赠自动驾驶最全的学习资料和量产经验：链接

主要贡献

本文的贡献总结如下：

1）据我们所知，PLCNet是首个解决高精地图自动初始车道校正问题的端到端模型，未来在相关领域存在潜在应用；

2）PLCNet充分利用了MLP、CNN和注意力的优势，并且将它们集成到一个统一的one-stage网络中。此外，PLCNet考虑了每条车道的多尺度上下文信息，并且固有地支持实例级车道校正，而无需任何迭代演变；

3）本文构建了一个自建的车道校正数据集，包含城市、高速公路和工厂场景。通过对该数据集进行定性和定量的评估，结果展现了PLCNet与Deepsnake相比的优势。

论文图片和表格

总结

本文提出了一种逐块车道校正网络（PLCNet），以自动地校正高精地图的初始车道偏差。PLCNet将初始车道点和点云图像作为输入，并且直接输出逐点校正偏移量。具体而言，PLCNet首先通过一个轻量级主干网络来提取多尺度车道特征。然后，它通过ROIAlign采集以每个初始车道点为中心的逐块特征，以获得局部信息。此外，我们还设计了一个1维车道注意力模块来捕获整体车道特征。最后，本文使用一个简单的MLP来推断实例级车道校正偏移量。本文的PLCNet支持局部和全局车道校正，并且在一个涵盖城市、高速公路和工厂场景的自建数据集上验证了其有效性。与基于轮廓的Deepsnake相比，PLCNet实现了更优的校正精度和更快的推理速度。在未来的工作中，我们旨在探索多边形元素（例如路标和人行横道）的自动校正，从而证明本文所提出网络的可扩展性。