Oct, 2023

TopoMLP: 一个简单而强大的用于驱动拓扑推理的流程

PDF
TL;DR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。
topology reasoninglane detectiontraffic element detectiontopomlpautonomous driving
发现论文，激发创造
  • CVPR 2023 自动驾驶挑战赛 OpenLane 拓扑结构第一名方案

    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。

    Jun, 2023

  • TopoLogic：用于驾驶场景上车道拓扑推理的可解释性流程

    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

  • 驾驶场景的拓扑推理

    TopoNet 是第一个能够抽象交通知识的端到端框架，通过引入嵌入模块、场景图神经网络和场景知识图等三个设计来捕捉驾驶场景拓扑结构，解决了车道连通性和交通元素到车道的分配问题，达到了在 OpenLane-V2 数据集上的最佳表现。

    Apr, 2023

  • 利用 2D 车道先验信息增强 3D 车道检测与拓扑推理

    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

  • 基于实例掩码的拓扑制作：通过变换器架构解决道路拓扑问题

    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

  • 分离式 RoadTopoFormer

    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

  • 基于图结构视角的车道级交通预测的统一化：基准和基线

    该研究分析并分类现有的车道级交通预测研究，建立了统一的空间拓扑结构和预测任务，并基于图结构和 MLP 网络引入了一个简单的基准模型 GraphMLP。通过公开发布三个新数据集和相应的代码，提供了关于效果、效率和适用性的深入评估，以加速该领域的进展。

    Mar, 2024

  • 3D-LaneNet: 端到端 3D 多车道检测

    该研究通过一种新型网络架构 3D-LaneNet 直接从单张图像中预测道路场景中 3D 车道的布局，并展示了在合成和真实数据集上的表现，其对车道合并和拆分等复杂情况的处理也更加明确，较以往方法有竞争力。

    Nov, 2018

  • DAGMapper: 发现车道拓扑结构的映射学习

    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

  • 基于 Transformer 的端到端车道形状预测

    本文提出了一种使用 transformer 网络进行车道检测的端到端方法，使用自我注意机制来捕捉细长结构和全局上下文，并在 TuSimple 基准测试中展示了最新的准确性，适应性和实际应用的强大部署潜力。

    Nov, 2020