Lane Graph as Path：Continuity-preserving Path-wise Modeling for Online Lane Graph Construction

参考代码：LaneGAP

1. 概述

介绍：在车道拓扑结构建模描述中经常使用pixel-wise（基于分割）或piece-wise（小段车道检测并连接）方式，但是这样的方式并不是将一个lane完整建模和优化的，因而当某些细节单元上出现错误的时候就会对整条lane的感知产生影响。基于如此观察文章将lane描述为一个带方向的path，并完整预测path的几何结构，从而得到较为完成的path描述，一个场景的道路graph信息便是通过这些path组合起来的。

对于上述提到的3中建模方式其建模示意图见下图所示：

• 1）pixel-wise：使用像素预测的方式构建lane的结构信息，这类方法以HDMapNet为代表
• 2）piece-wise：使用小段预测和方向连接的形式构建lane结构信息，这类方法以STSU为代表
• 3）path-wise：使用一条完整path作为基础预测单位，从而构建完整道路graph，这便是这篇文章提出的方案

将pixel-wise、piece-wise和当前文章方法的效果进行对比，见下图所示：

在上图中可以看到pixel-wise和piece-wise的方法在一些边缘部分会出现预测错误的问题，但是文章的方法却能很好描述这些区域中的元素，其整体预测能力更为鲁棒。

2. 方法设计

2.1 整体pipeline

文章的整体结构见下图：

• 1）ResNet+GKT完成camera特征抽取和BEV特征构建
• 2）将path的检测问题使用类似DETR形式建模方法，得到path的预测表达
• 3）使用Graph2Path和Path2Graph完成训练数据生成和感知结果输出

2.2 path标注生成

这部分完成训练标签的建立，也就是将一个lane通过起始节点和终止节点约束得到一个path的点集（这里的点集是有顺序的），一个graph便可以通过多个path的形式进行描述 V = { V i p a t h } i = 1 M \mathcal{V}=\{\mathcal{V}_i^{path}\}_{i=1}^M V={ Vipath​}i=1M​。完成的训练GT生成逻辑伪代码见下图：

2.3 path学习

对于这些点集的描述方式可以为polygon或贝塞尔曲线的形式。

polygon描述：
polygon描述是将path使用一个有序的点集进行描述： V p o l y p a t h = { p j ∈ R 2 ∣ j = 0 , 1 , … , N p − 1 } \mathcal{V}_{poly}^{path}=\{p_j\in R^2|j=0,1,\dots,N_{p}-1\} Vpolypath​={ pj​∈R2∣j=0,