참고 대본:None
동기 부여 및 출발점
Horizon의 MapTR은 고정밀 지도를 구축하는 능력을 입증했지만 그 메커니즘은 실제로 약간 복잡합니다. 서로 다른 차선의 방향, 원형 차선의 시작점과 끝점 등과 호환되도록 허가-동일 일치 논리가 특별히 설계되었습니다. 이런 종류의 논리는 정말 번거롭습니다. 차선 기술은 고정된 수의 점을 사용하므로 일부 차선의 세부 사항을 파악하기 어렵고, 즉 원래의 균일 샘플링에서는 해당 영역을 샘플링하지 않아 부정확성이 발생합니다. 이에 본 논문에서는 위의 문제점을 해결하기 위해 가설 사전확률과 키포인트 회귀분석을 이용한 질의 기반 차선 검출 알고리즘을 제안한다. 이 글은 진지한 글은 아니며, 공모전 참가 후 요약한 글일 뿐입니다. 그리고 실무에서 겪게 되는 과적합 문제는 전혀 언급되지 않습니다.아이디어 참고용으로 활용해도 좋습니다.
알고리즘의 구조
위 그림을 보면, 글에서 제안하는 알고리즘은 크게 BEV 특징 추출, 타이밍 융합, 인스턴스 디코딩으로 나눌 수 있습니다. BEV 특징 추출 부분은 Deformable-attn의 형태로 얻어지며, 이는 내부 및 외부 매개변수의 정확도에 더 의존합니다. 타이밍 퓨전 부분은 프레임 간 정렬 후 워프 작업을 사용한 다음 현재 프레임과 일치시킵니다. 디코딩 부분은 인스턴스 분할의 헤드를 사용하며, 의미론적 분할(전경과 배경 구별 강화) 및 키 포인트 회귀와도 연결됩니다.
복잡한 일치 메커니즘을 제거하는 방법은 무엇입니까?
MapTR에서는 2단계 정렬 작업인 pred와 GT 간의 대응 관계를 설정하기 위해 많은 노력을 기울입니다. 이 기사에서는 앞에서 뒤로, 왼쪽에서 오른쪽으로의 차선 순서 지정 메커니즘을 구상합니다. 그러면 교차로 장면의 경우 차선에 해당하는 참값은 아래 가운데 그림의 결과로 표현되는데, 차선의 방향은 별도의 예측을 추가하여 처리하면 안 된다는 건가요?
핵심사항을 어떻게 반환하나요?
차선 주요 지점 추출에는 거리와 각도가 실제로 추출에 사용되며, 구체적으로는 Douglas-Peucker 알고리즘과 Visvalingam 알고리즘이라는 두 가지 알고리즘이 사용됩니다. 위 그림의 오른쪽에는 Key Point를 추출한 후의 차선선이 표시되어 있습니다.
그렇다면 핵심 포인트를 어떻게 돌려줄 수 있을까요? 아이디어를 참조용으로 사용할 수 있습니다: PivotNet.
시계열 융합의 예측 경계 모호성 문제
기사에서 설정한 감지 범위는 30 m **** 60 m 30m*60m 30m*60m 하지만 이미지의 인지 범위는 확실히 그것보다 크므로 기사의 알고리즘이 타이밍을 도입하기 때문에 이 서로 다른 시간에 실제 값이 일관되지 않게 일치하게 됩니다. 이러한 상황에 대처하기 위해 다중 프레임 제안 융합 전략이 도입되는데, 제안 간의 모따기 거리를 계산하여 유사성을 기술하고 유사한 제안을 모아서 손실을 줍니다.
실험 결과
Argoverse2의 성능
