本文经自动驾驶之心公众号授权转载，转载请联系出处。
比赛介绍
CVPR 2024 Autonomous Grand Challenge Track Mapless Driving无图智驾赛道的任务是检测车道线和交通元素(红绿灯、道路标牌等)，并且推理车道之间、车道与交通要素之间的拓扑关系。在线建立局部高精度地图，从而摆脱自动驾驶对高精地图(HD)的依赖。比赛基于OpenLaneV2数据集进行。
无图自动驾驶和扩城，是2023年各大厂商主要卷的方向。在CVPR 2023自动驾驶挑战赛中，无图自动驾驶包含两个赛道：OpenLane Topology和Online HD Map Construction。今年的比赛相比去年的比赛相比，数据增加了标清地图(SD Map)。因此，今年的方案相比去年方案主要的改进就是将SD Map信息输入模型。
今年比赛的前三名被中国的队伍包揽。
CVPR 2024 Autonomous Grand Challenge Track Mapless Driving Leaderboard
论文解读
#1 LGmap: Local-to-Global Mapping Network for Online Long-Range Vectorized HD Map Construction
今年的冠军LGmap提出三个创新点：首先，提出了对称视图变换(symmetric view transformation, SVT)。克服了前向稀疏特征表示的局限性，利用深度感知和SD Map先验信息的。其次，提出了层级时序融合(hierarchical temporal fusion, HTF)。它利用局部和全局的时序信息，有利于为构建具有高稳定性的远距离的HD Map。最后，提出了一种新的人行横道重采样方法。简化的人行道表示方法加快模型收敛性能。
Diagram
论文的框架图如下图：
LGmap流程图
Encoder
输入图片首先经过Image Backbone，提取特征，得到PV(perspective view)特征。经过论文提出的SVT，转为BEV特征。所谓SVT，就是同时使用前向投影方法Lift-Splat-Shoot(LSS)和反向投影方法BEVFormer进行特征转换。LSS部分，使用激光雷达点云提供的深度作为监督。在BEVFormer部分，在SD map的polyline采样固定数量的点，编码成sinusoidal embedding，与图像特征进行cross attention，应该是跟SMERF方法一致。LSS和BEVFormer得到的BEV特征用channel attention模块进行融合。
Decoder
有两个并行的decoder，分别是instance-wise detection decoder和segmentation decoder。instance-wise detection decoder负责输出待检测的目标。segmentation decoder起辅助作用，加快收敛。
Temporal fusion
论文考虑时序信息，提升远距离建图的准确性。提出HTF，实际是将streaming和stacking结合的方式。所谓streaming是指RNN的范式，将信息通过memory进行传递；而stacking就是直接将信息拼接。作者提出了streaming-streaming和streaming-stacking两种方式供选择。
Streaming和stacking组合的hierarchical temporal fusion模块
Loss
总共考虑了4个loss。第一，跟随MapTR，point2point loss和edge direction loss；第二，跟随MapTRv2，segmentation loss和depth prediction loss；第三，BEV instance segmentation loss；第四，跟随GeMap，geometric 3D loss。
Area
针对人行横道，MapTR是是采用20个点均匀间隔采样。本文则是受到Machmap的启发，首先用采样4个顶点，然后再用每条边都为6个点的均匀采样。这样本文比MapTR的采样点简单很多，以20个点为例，MapTR有40种等效排列，而本文只有8中等效排列。这样可以加速收敛速度。
MapTR, MachMap和本文LGmap的人行横道建模方式对比
Traffic elements
采用YOLOv8和YOLOv9，检测交通元素，在OpenLaneV2，就包括红绿灯和道路标牌。
Lane-Lane topology
跟随TopoMLP，将已经输出的centerline坐标经过MLP再变成embedding，与经过训练的refined query结合，再经过MLP，输出车道线之间连接关系的二分类结果。
Lane-Traffic topology
本文的这部分是和检测模型分离的。Lane-Traffic topology模型是用lane segments的和traffic elements的真值训的。lane segments和traffic elements过embedding层得到特征，再经过self attention，得到加强特征，再过MLP进行二分类。
Ablation Study
Encoder部分，增加LSS仅提高了0.5%，作用不大。BEVFormer是主力。
时序融合模块，使用Streaming-Stacking模块，比Streaming高0.5%。Streaming比baseline高3%，主力是Streaming。
用新的人行横道编码方式，可有提高约1%。
#2 Leveraging SD Map to Assist the OpenLane Topology
本文设计了一种紧凑的transformer-based结构，用于SD map encoding and integration，充分利用SD map已经包含的基础道路拓扑结构。此外，提出一种动态位置编码(dynamic positional embedding)机制，提升decoding performance。
Model Architecture
论文没有给出总体框架图。总体框架属于常规的套路。
首先，经过图像backbone得到PV feature，再经过BEVFormer得到BEV feature。其次，基于BEV feature，建立一个SD map encoder来提取SD map的特征。接下来，过lane decoder以及，得到lane的检测结果。最后，接上 topology模型，topology模型是decoupled的。
SD Map Encoder
SD map Encoder和Lane Decoder的示意图
首先对SD map进行编码，方法跟LGmap基本上一致。针对SD map里面的M条polylines，每条polyline均匀取N个点。对这些点进行sinusoidal embeddings:
其中p(,)表示polyline上采样点坐标，j表示维度的索引， d表示编码维度，T表示temperature scale。此外，一个one-hot向量 K用于编码polyline类型。最后，所有的采样点的positional embedding(就是上面公式的sinusoidal embeddings)和polyline的类别embedding拼接起来，得到N * d+K维度的SD map polyline编码。先接一个linear layer，将维度转为，再输入transformer。
在SDMap Encoder里，先做一次self attention，再做一次cross attention，k, v是BEV features。这里选择用LaneSegNet提出的Lane Attention操作。
Lane Decoder
Content embedding和positional embedding作为query输入Lane Decoder，先进行一个self attention，再接一个Lane Attention与BEV features进行交互，再接一个cross attention跟SD map embedding进行交互。
论文提出给Lane Attention动态位置编码。方法是在上一个decoder结束后，得到N个lane points坐标，将其进行sinusoidal编码，得到N * d维度的向量，再过linear layer变换成维的向量。作为位置编码加到query里。
Lane Decoder中动态位置编码示意图
Topology Prediction
与LGmap类似，论文也将topology prediction和detection任务分离了。论文说的原因是因为样本不平衡，positive(associated elements)和negative(non-associated elements)极度不平衡。
将detection模型输出的结果，输入MLP，进行二分类预测。在lane-lane topology中，考虑lane的起点和终点的距离。在lane-traffic topology，用traffic element的bbox和front view摄像机外参进行编码。
#3 UniHDMap: Unified Lane Elements Detection for Topology HD Map Construction
第三名是去年的冠军团队，也就是TopoMLP的作者团队。今年提出了一套unified detection framework，检测车道线，人行横道和道路边界，其中融入了SD map信息。和去年一样，traffic elements还是用YOLOv8检测，topology prediction还是用MLP。
Diagram
UniHDMap流程图
BEV Feature Extraction
跟第二名的方案基本一样，都是SMERF的特征提取框架，把SD map的信息融入。
SMERF算法流程图
Lane and Area Detection
直接采用了LaneSegNet的detection部分。
LaneSegNet算法流程图
Traffic Detection和Topology Prediction都跟去年的TopoMLP方法一样。之后会专门写一篇TopoMLP的解读文章。
#6 MapVision: CVPR 2024 Autonomous Grand Challenge Mapless Driving Tech Report
论文引入了SD map encoder的pre-training，提高模型的几何编码能力。利用YOLOX来提高traffic element detection。另外，对area detection，引入LDTR和辅助任务，提高精度。
Diagram
MapVision算法流程图
SD Map Encoding
Encoder的框架跟随SMERF。为了增强SD Map Encoder几何结构的编码能力，论文提出了对其进行预训练。使用AutoEncoder进行预训练，将feature sinusoidal embedding作为ground truth。在encoder后加一个轻量化的decoder，进行预测。用L2 loss进行监督。涨点大概在2%左右。
Area Detection
跟随MapTR得方式进行检测。但是，论文认为MapTR采用keypoint的方式进行编码，降低了instance的整体性。因此，受到LDTR得启发，采用anchor-chain的编码方式。
Traffic Detection和Topology Prediction跟前面的论文基本一致。
总结
CVPR 2024无图智驾赛道榜单前几名的模型框架基本一致。相比去年，也没有颠覆性的创新，主要改进在于以下几点：
- 引入了SD Map作为信息输入，采用SMERF提出的框架将其融入到transformer encoding里；
- 引入时序信息，预测提高远处的建图精度，提出采用streaming-stacking的方式；
- 对Area Detection的编码方式，提出了一些改进，更好地适应Area这个instance的特性；
