本文經(jīng)自動(dòng)駕駛之心公眾號(hào)授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請(qǐng)聯(lián)系出處。

原標(biāo)題：ScalableMap: Scalable Map Learning for Online Long-Range Vectorized HD Map Construction

論文鏈接：https://arxiv.org/pdf/2310.13378.pdf

代碼鏈接：https://github.com/jingy1yu/ScalableMap

作者單位：武漢大學(xué)

論文思路：

本文提出了一種新穎的端到端 pipeline ，用于使用車載 camera 傳感器構(gòu)建在線遠(yuǎn)距離矢量化高精（HD）地圖。高精地圖的矢量化表示，采用折線和多邊形來表示地圖元素，被下游任務(wù)廣泛使用。然而，先前參考動(dòng)態(tài)目標(biāo)檢測(cè)設(shè)計(jì)的方案忽略了線性地圖元素內(nèi)的結(jié)構(gòu)約束，導(dǎo)致遠(yuǎn)距離場(chǎng)景中的性能下降。本文利用地圖元素的屬性來提高地圖構(gòu)建的性能。本文在線性結(jié)構(gòu)的指導(dǎo)下提取更準(zhǔn)確的鳥瞰圖（BEV）特征，然后提出一種分層稀疏圖表示以進(jìn)一步利用矢量化圖元素的可擴(kuò)展性，并基于該表示設(shè)計(jì)漸進(jìn)式解碼機(jī)制和監(jiān)督策略。本文的方法 ScalableMap 在 nuScenes 數(shù)據(jù)集上展示了卓越的性能，尤其是在遠(yuǎn)距離場(chǎng)景中，比之前最先進(jìn)的模型高出 6.5 mAP，同時(shí)實(shí)現(xiàn)了 18.3 FPS。

主要貢獻(xiàn)：

(i) 本文提出了 ScalableMap，第一個(gè)端到端遠(yuǎn)距離矢量化地圖構(gòu)建 pipeline 。本文利用映射元素的結(jié)構(gòu)特性來提取更準(zhǔn)確的 BEV 特征，提出基于可擴(kuò)展矢量化元素的 HSMR，并相應(yīng)地設(shè)計(jì)漸進(jìn)式解碼器和監(jiān)督策略。所有這些都帶來了卓越的遠(yuǎn)距離地圖感知。

(ii) 本文通過大量的實(shí)驗(yàn)評(píng)估了 ScalableMap 在 nuScenes 數(shù)據(jù)集 [17] 上的性能。本文提出的方法在遠(yuǎn)距離高精地圖學(xué)習(xí)中取得了最先進(jìn)的結(jié)果，比現(xiàn)有的多模態(tài)方法高出 6.5 mAP，同時(shí)達(dá)到 18.3 FPS。

網(wǎng)絡(luò)設(shè)計(jì)：

本文的目標(biāo)是利用矢量化地圖元素的結(jié)構(gòu)特性來解決在較長(zhǎng)距離內(nèi)準(zhǔn)確檢測(cè)地圖元素的挑戰(zhàn)。首先，本文分別通過兩個(gè)分支提取位置感知的 BEV 特征和實(shí)例感知的 BEV 特征，并在線性結(jié)構(gòu)的指導(dǎo)下融合它們，得到混合 BEV 特征。接下來，本文提出了一種分層稀疏地圖表示（HSMR），以稀疏但準(zhǔn)確的方式抽象地圖元素。將此表示與 DETR [16] 提出的級(jí)聯(lián)解碼層集成，本文設(shè)計(jì)了一種漸進(jìn)解碼器，通過利用矢量化映射元素的可擴(kuò)展性和漸進(jìn)監(jiān)督策略來增強(qiáng)結(jié)構(gòu)化信息的約束，以提高推理的準(zhǔn)確性。本文的方案 ScalableMap 動(dòng)態(tài)增加地圖的采樣密度以獲得各種比例的推理結(jié)果，使本文能夠更快地獲得更準(zhǔn)確的地圖信息。

圖 1：ScalableMap 概述。(a) 結(jié)構(gòu)引導(dǎo)的混合 BEV 特征提取器。(b) 分層稀疏地圖表示和漸進(jìn)解碼器。(c) 漸進(jìn)式監(jiān)督。

圖 2：漸進(jìn)折線損失的可視化。

實(shí)驗(yàn)結(jié)果：

引用：

Yu, J., Zhang, Z., Xia, S., & Sang, J. (2023). ScalableMap: Scalable Map Learning for Online Long-Range Vectorized HD Map Construction. ArXiv. /abs/2310.13378

原文鏈接：https://mp.weixin.qq.com/s/7VIS0B_Qbq7bmHSj6RIxOg