端到端矢量建图框架MapTR

主讲人:廖本成 | 华科在读博士

  • 开课时间

    2023.12.15 20:00

  • 课程时长

    120分钟

  • 学习人数

    2060人次学习

立即学习
添加客服微信了解详情,添加时请备注【BEV06】

立即学习

端到端矢量建图框架MapTR

       本次演讲主要针对自动驾驶中的在线矢量化高精地图构建任务,突破之前方法后处理多,精度低,速度慢的问题,提出基于Transformer的在线端到端矢量建图框架MapTR,通过挖掘高精度地图要素中的无序性,引入了等效排列的几何建模以及Map as hierarchical queries的模型设计,结合Transformer成功实现了实时高精的建图效果,相对于之前方案提升显著,具有巨大的实际应用价值。

       基于此框架,进一步提出了对车道中心线进行路径建模的方法LaneGAP,针对当前方案中复杂路口处拓扑构建效果差,难以学习的问题,通过图论算法中的最短路径算法将复杂的道路拓扑转变成一条条互有重叠的完整路径,降低学习难度,相对于之前的拓扑建模方案提升了复杂路口处的构图效果。

      在上述工作的基础上,进一步提出MapTRv2方法,针对MapTR框架进行增量设计,引入解耦的自注意力机制大幅降低训练所需显存,并添加了鸟瞰图与环视图的辅助监督以及混合正负样本分配机制,引入大量监督信号,加速模型收敛提升模型效果,相对于之前的方案MapTRv2能够端到端的构建包含人行道,道路边界线,车道中心线以及车道分割线语义要素,能够为自动驾驶提供完整的道路信息,并在2D/3D 矢量图数据集上拓展验证。

 

-

      本次演讲主要针对自动驾驶中的在线矢量化高精地图构建任务,突破之前方法后处理多,精度低,速度慢的问题,提出基于Transformer的在线端到端矢量建图框架MapTR,通过挖掘高精度地图要素中的无序性,引入了等效排列的几何建模以及Map as hierarchical queries的模型设计,结合Transformer成功实现了实时高精的建图效果,相对于之前方案提升显著,具有巨大的实际应用价值。

       基于此框架,进一步提出了对车道中心线进行路径建模的方法LaneGAP,针对当前方案中复杂路口处拓扑构建效果差,难以学习的问题,通过图论算法中的最短路径算法将复杂的道路拓扑转变成一条条互有重叠的完整路径,降低学习难度,相对于之前的拓扑建模方案提升了复杂路口处的构图效果。

      在上述工作的基础上,进一步提出MapTRv2方法,针对MapTR框架进行增量设计,引入解耦的自注意力机制大幅降低训练所需显存,并添加了鸟瞰图与环视图的辅助监督以及混合正负样本分配机制,引入大量监督信号,加速模型收敛提升模型效果,相对于之前的方案MapTRv2能够端到端的构建包含人行道,道路边界线,车道中心线以及车道分割线语义要素,能够为自动驾驶提供完整的道路信息,并在2D/3D 矢量图数据集上拓展验证。

-

-

      本次演讲主要针对自动驾驶中的在线矢量化高精地图构建任务,突破之前方法后处理多,精度低,速度慢的问题,提出基于Transformer的在线端到端矢量建图框架MapTR,通过挖掘高精度地图要素中的无序性,引入了等效排列的几何建模以及Map as hierarchical queries的模型设计,结合Transformer成功实现了实时高精的建图效果,相对于之前方案提升显著,具有巨大的实际应用价值。

       基于此框架,进一步提出了对车道中心线进行路径建模的方法LaneGAP,针对当前方案中复杂路口处拓扑构建效果差,难以学习的问题,通过图论算法中的最短路径算法将复杂的道路拓扑转变成一条条互有重叠的完整路径,降低学习难度,相对于之前的拓扑建模方案提升了复杂路口处的构图效果。

      在上述工作的基础上,进一步提出MapTRv2方法,针对MapTR框架进行增量设计,引入解耦的自注意力机制大幅降低训练所需显存,并添加了鸟瞰图与环视图的辅助监督以及混合正负样本分配机制,引入大量监督信号,加速模型收敛提升模型效果,相对于之前的方案MapTRv2能够端到端的构建包含人行道,道路边界线,车道中心线以及车道分割线语义要素,能够为自动驾驶提供完整的道路信息,并在2D/3D 矢量图数据集上拓展验证。

-

直播课件暂未上传
机器人与自动驾驶 环境感知 进阶
机器人与自动驾驶 环境感知 进阶
机器人与自动驾驶 定位与建图 进阶
机器人与自动驾驶 规划控制 进阶