TopoLogic:用于驾驶场景上车道拓扑推理的可解释性流程
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
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
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
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
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
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
提出了一个用于自动驾驶的新数据集 Reason2Drive,其中包含了 600K 个视频文本对,以促进对复杂驾驶环境中可解释推理的研究。基于该数据集进行实验评估各种现有的视觉语言模型,并通过开发一种有效的方法来提高模型的推理准确性。
Dec, 2023
交通场景逻辑 (TSL) 是一种用于建模和推理城市无行人交通场景的时空逻辑,它提供了城市道路网络的正式表示,并可用于生成测试场景以及自动驾驶决策和控制验证。
May, 2024