离线高精地图的生产,需要昂贵的经济和人力资源,因此,基于车载周视相机系统在线构建局部道路地图的方法,成为当前自动驾驶领域关注的焦点。但现有方案往往基于单帧数据,聚焦于较小范围内的道路地图构建性能,而忽略了自动驾驶场景中天然...离线高精地图的生产,需要昂贵的经济和人力资源,因此,基于车载周视相机系统在线构建局部道路地图的方法,成为当前自动驾驶领域关注的焦点。但现有方案往往基于单帧数据,聚焦于较小范围内的道路地图构建性能,而忽略了自动驾驶场景中天然存在的时序信息,及其对自车行进方向上更长范围建图的帮助。为此,本文提出一种融合场景级时空信息的长范围矢量道路地图构建算法。基于解耦矢量地图的语义属性和几何属性的思想,通过多分支特征编码机制,增强对地图元素空间位置信息的理解能力。融合多分支特征后,将当前帧的鸟瞰图(bird′s eye view,BEV)特征与场景时空信息进行关联,并结合语义分割作为辅助任务引导时空信息融合,有效应对行车过程中的遮挡问题。实验结果表明,在公开数据集nuScenes和Argoverse2上的长范围建图质量,分别取得了显著的18.7%和6.4%全类平均精度(mean average precision,MAP)提高。展开更多
文摘离线高精地图的生产,需要昂贵的经济和人力资源,因此,基于车载周视相机系统在线构建局部道路地图的方法,成为当前自动驾驶领域关注的焦点。但现有方案往往基于单帧数据,聚焦于较小范围内的道路地图构建性能,而忽略了自动驾驶场景中天然存在的时序信息,及其对自车行进方向上更长范围建图的帮助。为此,本文提出一种融合场景级时空信息的长范围矢量道路地图构建算法。基于解耦矢量地图的语义属性和几何属性的思想,通过多分支特征编码机制,增强对地图元素空间位置信息的理解能力。融合多分支特征后,将当前帧的鸟瞰图(bird′s eye view,BEV)特征与场景时空信息进行关联,并结合语义分割作为辅助任务引导时空信息融合,有效应对行车过程中的遮挡问题。实验结果表明,在公开数据集nuScenes和Argoverse2上的长范围建图质量,分别取得了显著的18.7%和6.4%全类平均精度(mean average precision,MAP)提高。
