Lane Graph as Path: Continuity-preserving Path-wise Modeling for Online Lane Graph Construction

要約

オンライン レーン グラフの構築は、自動運転における有望な課題ですが、困難な課題です。
以前の方法では通常、レーン グラフをピクセルまたはピース レベルでモデル化し、レーンの連続性を壊すピクセル単位またはピース単位の接続によってレーン グラフを復元します。
人間のドライバーは、レーン ピースを考慮する代わりに、連続した完全なパスに集中して運転します。
自動運転車は、軌道計画のために車線グラフからの経路固有のガイダンスも必要とします。
交通の流れを表すパスは、レーン グラフのプリミティブであると主張します。
これに動機付けられて、車線の連続性を十分に維持し、計画のために交通情報をエンコードする、新しい経路ごとの方法で車線グラフをモデル化することを提案します。
エンドツーエンドでパスを学習し、Path2Graph アルゴリズムを介してレーン グラフを復元する、LaneGAP と呼ばれるパス ベースのオンライン レーン グラフ構築方法を紹介します。
従来のピクセルベースおよびピースベースの方法よりも、LaneGAP の優位性を定性的および定量的に示します。
豊富なビジュアライゼーションは、LaneGAP が多様な交通状況に対応できることを示しています。
コードとモデルは、将来の研究を容易にするために \url{https://github.com/hustvl/LaneGAP} でリリースされます。

要約(オリジナル)

Online lane graph construction is a promising but challenging task in autonomous driving. Previous methods usually model the lane graph at the pixel or piece level, and recover the lane graph by pixel-wise or piece-wise connection, which breaks down the continuity of the lane. Human drivers focus on and drive along the continuous and complete paths instead of considering lane pieces. Autonomous vehicles also require path-specific guidance from lane graph for trajectory planning. We argue that the path, which indicates the traffic flow, is the primitive of the lane graph. Motivated by this, we propose to model the lane graph in a novel path-wise manner, which well preserves the continuity of the lane and encodes traffic information for planning. We present a path-based online lane graph construction method, termed LaneGAP, which end-to-end learns the path and recovers the lane graph via a Path2Graph algorithm. We qualitatively and quantitatively demonstrate the superiority of LaneGAP over conventional pixel-based and piece-based methods. Abundant visualizations show LaneGAP can cope with diverse traffic conditions. Code and models will be released at \url{https://github.com/hustvl/LaneGAP} for facilitating future research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google