HDMapNet: An Online HD Map Construction and Evaluation Framework：将高精地图工作交给感知去做

构建高清地图往往都是公司的高清地图团队的任务，但是需要很大的工作量，并且道路变化会增加标注的工作量，实时的建立高清地图，将任务交给感知，是个很有意义和挑战的事！

arxiv地址: https://arxiv.org/pdf/2107.06307v4.pdf
github地址: https://github.com/Tsinghua-MARS-Lab/HDMapNet
展示链接：https://tsinghua-mars-lab.github.io/HDMapNet/

一. 解决问题和贡献

1.1. 解决问题

• 传统高精地图的缺点：
  • 复杂的pipeline（融合）
  • 标注需要大量的人力
  • 因为道路变化，需要实时的更新数据
    

1.2. 贡献

• HDMapNet的优点：
  • 简单且端到端的pipeline
  • 便宜且自动的
  • 能够实时捕捉动态环境

2.主要内容

2.1. 整体结构

• HDMapNet的输入：可以是环视摄像头图片，也可以是激光雷达，当然也可以是两个或多个模态的输入

• HDMapNet的输出：是矢量化的俯视图，而不是热力图。
  

• 模型结构：

  • Camera:
    • Encoder：用Efficientnet或resnet得到环视相机的特征图
    • 视角转换：将同一时刻6张不同摄像头图片分别转换到俯视图
    • 生成BEV特征图：利用相机的内参和外参将6个相机的特征图转换到一个特征空间
    • BEV Decoder：对Bev处理得到我们想要的特征图

  

  • Lidar:
    • Voxelization:将点云体素化
    • Shared PointNet
      • DEV Decoder
  • Vectorization:
    • Semantic mask：道路分界线
    • Instance Embedding：车道线实例分割
    • Direction:方向，因为最后的表示的线段或折线段，所以需要方向
  • 后处理：
    • 将Semantic mask和Instance Embedding进行聚类，相当于得到实例分割的结果
    • 加入Direction得到矢量化的分割图

2.2. 聚类损失

• C ：Ground True的簇数
• $N_c$ : 簇c的元素个数
• ${\mu }_c$ : 簇c的embedding均值
• $\Vert .\Vert$ : L2范数
• ${\delta }_v$、${\delta }_d$:分别是方差和距离损失
• L:聚类损失

3. 实验结果

• 相机：在车道线（Divider）和人行道（Ped Crossing）检测上比较好

• Lidar：在路沿（Boundary）检测上比较好，因为路沿具有高度差
  

• 整体效果：
  

• 相机、Lidar以及它们的融合效果：
  

• 多帧融合更新高清地图：
  

• 在夜晚、下雨天、正常环境的准确率：