提出了一种名为 Road Genome 的新的、针对场景结构的自动驾驶数据集，着眼于感知元素和车道之间的关系，包括三个子任务：从 OpenLane 继承的 3D 车道检测、拓扑推理和场景分割。
Apr, 2023
基于车道几何距离和车道查询相似性的车道拓扑推理方法 TopoLogic 在车道拓扑方面提供更全面的信息，显著优于现有的方法，并且可以在无需重新训练的情况下将几何距离车道拓扑推理方法应用于经过充分训练的模型中，大大提升车道拓扑推理性能。
May, 2024
我们提出了 TopoMLP，这是一个简单但高性能的驾驶拓扑推理管道，基于令人印象深刻的检测性能，我们为拓扑生成开发了两个基于 MLP 的简单头部。
Oct, 2023
基于 Transformer 的新型框架 Topo2D，将 2D 车道实例与 3D 查询和 3D 位置嵌入相结合，显式地将 2D 车道特征纳入车道中心线和交通要素之间的拓扑关系的识别中，在 OpenLane-V2 多视图拓扑推理基准和 OpenLane 单视图 3D 车道检测基准中表现出优于现有最先进方法的性能。
Jun, 2024
本研究提出了一种基于实例掩模和变形器的中心线预测方法，利用方向标签表示来丰富掩模实例的流信息，该方法在 OpenLane-V2 得分（OLS）中排名第四，在 OpenLane 拓扑挑战的中心线预测的 F1 得分中排名第二，并在不使用其情境图神经网络的情况下在 Frechet-based 车道检测方面显示出类似的性能，并在 Chamfer-based 车道检测方面优于 TopoNet 方法。
Jun, 2023
提出了一个包括四个子任务的任务，包括交通要素检测、车道中心线检测、车道之间的关系推理以及车道和交通要素之间的关系推理，提出了一个端到端框架，名为 Separated RoadTopoFormer，可以检测出车道中心线和交通要素，并实现它们之间的推理关系，其中采用了 DETR-like 的体系结构来检测对象
Jul, 2023
本文通过使用有向无环图模型 (DAG) 来推断车道边界的几何和拓扑属性，从而提高制作高精度地图的效率。经测试，该方法在两个不同的州的两条北美高速公路上表现出了 89% 的正确率。
Dec, 2020
本篇论文提出了一种用于自动驾驶的拓扑解决方案，其中采用了多阶段框架来实现高性能，包括使用 PETRv2 探测器检测中心线，使用 YOLOv8 检测交通要素，设计简单而有效的基于 MLP 的拓扑预测头， 其方法在 OpenLaneV2 测试集上实现了 55％的 OLS，超过第二个解决方案 8 个点。
该研究旨在从单个摄像头图像中直接提取局部道路网络拓扑，使用最小回路及其覆盖来表示道路拓扑，以监督深度神经网络的学习，以实现自主规划和导航。结果表明，与基准相比，该方法在 NuScenes 和 Argoverse 基准测试上的表现显著优越。
Dec, 2021
本研究提出了两种数据驱动的自动编码模型来学习车辆交通场景的潜在表示，并显示了如何使用潜在场景嵌入来聚类交通情况并检索相似交通情况。
Jul, 2020