论文链接：https://arxiv.org/pdf/2409.05352
摘要
本文介绍了基于先验地图驾驶：自动驾驶汽车建图的统一矢量先验编码。高精地图（HD maps）对于自动驾驶汽车的精确导航和决策是至关重要的，但是它们的创建和维护带来了巨大的成本和及时性挑战。使用车载传感器在线构建高精地图已经成为一种有前景的解决方案。然而，由于遮挡和恶劣天气的影响，这些方法会受到不完整数据的阻碍。本文提出了PriorDrive框架，其通过利用先验地图的能力来解决这些局限性，从而显著提高在线高精地图构建的鲁棒性和精度。本文方法结合了各种先验地图，例如OpenStreetMap的标准清晰度地图（SD maps）、供应商过时的高精地图以及来自历史车辆数据的局部构建地图。为了将这些先验信息有效地编码到在线建图模型中，本文引入了混合先验表示（HPQuery），其将不同地图元素的表示进行标准化。PriorDrive的核心为统一矢量编码器（UVE），它采用双编码机制来处理矢量数据。Intra-Vector编码器获取细粒度的局部特征，而Inter-Vector编码器结合了全局上下文信息。此外，本文提出了一种分段级和点级预训练策略，使UVE能够学习矢量数据的先验分布，从而提高编码器的泛化能力和性能。通过在nuScenes数据集上进行大量测试，本文证明了PriorDrive与各种在线建图模型高度兼容，并且大大提升了地图预测能力。通过PriorDrive框架集成先验地图的方式为单一感知数据的挑战提供了鲁棒的解决方案，从而为更可靠的自动驾驶汽车导航铺平了道路。
主要贡献
本文的贡献总结如下：
1）本文引入了一种统一矢量编码器（UVE），其通过双编码机制对各种矢量数据进行有效编码：Intra-Vector编码器获取精细的局部特征，而Inter-Vector编码器融合全局上下文信息；
2）本文提出了一种矢量数据的预训练范式，通过在分段级和点级加入高斯噪声或者掩码并且重建整个矢量地图来学习矢量数据的先验分布；
3）本文提出了一种混合先验表示（HPQuery）来表示所有元素，并且引入了一个基于矢量先验地图的PriorDrive框架来解决单一感知的局限性。本文在nuScenes数据集上的综合评估表明，所提出的PriorDrive显著提高了在线建图模型的性能。
论文图片和表格
总结
本文引入了PriorDrive，这是一种有效利用各种类型的先验地图来提高自动驾驶汽车在线高精地图构建的精度和鲁棒性的新框架。本文方法的核心为UVE，其旨在高效地编码各种矢量数据。通过综合实验，本文证明了UVE与所提出的预训练策略的结合显著提高了最先进的建图模型的性能。本文方法不仅解决了与动态且复杂的环境中实时高精地图构建相关的挑战，还提供了一种可扩展的解决方案，该方案将持续提高地图精度。将历史预测地图作为先验进行迭代使用可以逐步优化地图输出结果，从而确保最新的道路信息可以用于自主导航。
发表回复