作者 | 自动驾驶专栏 编辑 | 自动驾驶专栏
点击下方卡片,关注“自动驾驶之心”公众号
本文只做学术分享,如有侵权,联系删文
论文链接:https://arxiv.org/pdf/2502.04329 项目主页:https://jay-ye.github.io/smart/
摘要
本文介绍了SMART:推进可扩展的地图先验以实现驾驶拓扑推理。拓扑推理对于自动驾驶是至关重要的,这是因为它能够全面理解车道和交通元素之间的连接和关系。尽管最近的方法在使用车载传感器感知驾驶拓扑方面取得了成功,但是它们的可扩展性受到阻碍,因为这些方法依赖于由一致的传感器配置获取的训练数据。本文发现,可扩展车道感知和拓扑推理的关键因素在于消除这种与传感器相关的特征。为了解决这一问题,本文提出了SMART,这是一种利用容易获取的标准清晰度(SD)和卫星地图来学习地图先验模型的可扩展解决方案,该先验模型由与传感器设置无关的大规模地理配准的高精(HD)地图进行监督。得益于大规模训练,SMART仅使用SD和卫星输入即可实现卓越的离线车道拓扑理解。大量实验进一步证明,SMART可以无缝集成到任何在线拓扑推理方法中,从而使得在OpenLane-V2基准上实现了高达28%的性能提升。
主要贡献
本文的贡献为如下三方面:
1)本文提出了一种简单而有效的大规模地图先验学习架构,它通过SD和卫星输入实现了出色的车道拓扑推理;
2)本文提出了一种地图先验模型,它可以无缝集成到任何拓扑推理框架中,从而增强鲁棒性和泛化能力;
3)本文在广泛使用的基准上进行评估,结果突出了SMART在驾驶拓扑推理方面的有效性,它实现了最先进的性能。
论文图片和表格
总结
本文引入了SMART,它为可扩展且可泛化的驾驶拓扑推理提供了一种新的视角,同时避免了对大量传感器数据的需求。通过利用现成的地理空间地图和现有的大规模HD地图数据集,SMART实现了出色的离线拓扑推理,并且提供了强大的地图先验表示,它可以无缝集成到任何在线驾驶拓扑推理架构中,从而实现最先进的性能。更广泛而言,SMART为未来研究开辟了有前景的途径:(1)在模型规模和数据方面扩展SMART以开发全面的地图基础模型;(2)探索地图先验特征在其它任务中的巨大潜力,例如轨迹预测、运动规划和端到端驾驶,其中对车道结构的深入理解是至关重要的。本文坚信,该工作将大大推进自动驾驶中可扩展且可泛化的驾驶拓扑推理的发展。
② 国内首个自动驾驶学习社区
『自动驾驶之心知识星球』近4000人的交流社区,已得到大多数自动驾驶公司的认可!涉及30+自动驾驶技术栈学习路线,从0到一带你入门自动驾驶感知(端到端自动驾驶、世界模型、仿真闭环、2D/3D检测、语义分割、车道线、BEV感知、Occupancy、多传感器融合、多传感器标定、目标跟踪)、自动驾驶定位建图(SLAM、高精地图、局部在线地图)、自动驾驶规划控制/轨迹预测等领域技术方案、大模型,更有行业动态和岗位发布!欢迎扫描加入
③全网独家视频课程
端到端自动驾驶、仿真测试、自动驾驶C++、BEV感知、BEV模型部署、BEV目标跟踪、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、CUDA与TensorRT模型部署、大模型与自动驾驶、NeRF、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频(扫码即可学习)