渫评硌葸M(jìn)：從程序化建模到車載傳感器)
0. 導(dǎo)讀車道拓?fù)渫评韺?duì)于高精建圖和自動(dòng)駕駛應(yīng)用至關(guān)重要從早期的程序化建模方法發(fā)展到基于車載傳感器的方法但是很少有工作對(duì)車道拓?fù)渫评砑夹g(shù)進(jìn)行全面概述。為此本文系統(tǒng)性地調(diào)研了車道拓?fù)渫评砑夹g(shù)同時(shí)確定了未來(lái)研究的挑戰(zhàn)和機(jī)遇旨在為研究者和從業(yè)者提供對(duì)這一快速發(fā)展領(lǐng)域的寶貴見(jiàn)解。論文題目A Concise Survey on Lane Topology Reasoning for HD Mapping論文作者Yi Yao, Miao Fan, Shengtong Xu, Haoyi Xiong, Xiangzeng Liu, Wenbo Hu, Wenbing Huang論文地址https://arxiv.org/abs/2504.019891. 摘要車道拓?fù)渫评砑夹g(shù)在高精 (HD) 建圖和自動(dòng)駕駛應(yīng)用中發(fā)揮著至關(guān)重要的作用。雖然近年來(lái)在該領(lǐng)域中取得了重大進(jìn)展但是很少有文獻(xiàn)綜合概述這些工作。本項(xiàng)調(diào)研系統(tǒng)性地回顧了車道拓?fù)渫评矸椒ǖ难葑兒同F(xiàn)狀將其分為三種主要范式基于程序化建模的方法、基于航拍圖像的方法和基于車載傳感器的方法。本文分析了從早期基于規(guī)則的方法到現(xiàn)代基于學(xué)習(xí)的解決方案的進(jìn)展這些基于學(xué)習(xí)的解決方案利用了transformers、圖神經(jīng)網(wǎng)絡(luò) (GNNs) 和其它深度學(xué)習(xí)架構(gòu)。本文研究了標(biāo)準(zhǔn)化的評(píng)估指標(biāo)包括道路級(jí)指標(biāo)APLS和TLTS評(píng)分和車道級(jí)指標(biāo)DET和TOP評(píng)分以及在OpenLane-V2等基準(zhǔn)數(shù)據(jù)集上的性能比較。本文確定了關(guān)鍵的技術(shù)挑戰(zhàn)包括數(shù)據(jù)集可用性和模型效率并且總結(jié)了未來(lái)研究中有前景的方向。這篇綜述為研究者和從業(yè)者提供了對(duì)高精建圖應(yīng)用中車道拓?fù)渫评淼睦碚摽蚣?、?shí)際實(shí)現(xiàn)和新興趨勢(shì)的見(jiàn)解。2. 介紹高精 (HD) 地圖是自動(dòng)駕駛的基礎(chǔ)它提供了道路網(wǎng)絡(luò)、車道配置和交通元素的詳細(xì)表示。在高精建圖的各方面中車道拓?fù)渫评砝斫獠煌嚨廊绾蜗嗷ミB接和關(guān)聯(lián)見(jiàn)圖3對(duì)于安全且高效的自主導(dǎo)航尤為重要。在過(guò)去的二十年里該領(lǐng)域發(fā)生了重大的演變從簡(jiǎn)單的基于規(guī)則的方法發(fā)展到復(fù)雜的深度學(xué)習(xí)方法。圖 3. 交叉路口處車道拓?fù)涞氖疽鈭D車道拓?fù)渫评矸椒ǖ陌l(fā)展大致可分為三種主要范式。早期的方法依賴于程序化建模技術(shù)利用計(jì)算機(jī)圖形學(xué)和基于規(guī)則的系統(tǒng)來(lái)生成道路網(wǎng)絡(luò)。這些方法較為基礎(chǔ)它們依賴于人工設(shè)計(jì)的規(guī)則并且缺乏靈活性因此受到限制?；诤脚膱D像方法的出現(xiàn)標(biāo)志著一項(xiàng)重大轉(zhuǎn)變它引入了計(jì)算機(jī)視覺(jué)技術(shù)從俯視圖中提取道路拓?fù)浣Y(jié)構(gòu)。然而這些方法往往難以解決由建筑物和樹(shù)木造成的遮擋問(wèn)題它們只能提取粗略的道路級(jí)網(wǎng)絡(luò)。近年來(lái)已經(jīng)見(jiàn)證了基于車載傳感器方法的出現(xiàn)見(jiàn)圖1這代表著車道拓?fù)渫评眍I(lǐng)域的最新進(jìn)展。圖 1. 高精HD建圖的車道拓?fù)渫评韴D示這些方法利用了深度學(xué)習(xí)架構(gòu)它們通常由幾個(gè)關(guān)鍵組件組成用于特征提取的主干網(wǎng)絡(luò)例如ResNet或者Swin Transformer、用于鳥(niǎo)瞰圖轉(zhuǎn)換的透視變換、車道中心線檢測(cè)和拓?fù)渫评砟K?，F(xiàn)代方法通常結(jié)合多種輸入模態(tài)包括相機(jī)、激光雷達(dá)和現(xiàn)有的SD地圖以提高性能?；趖ransformer的架構(gòu)和圖神經(jīng)網(wǎng)絡(luò) (GNNs) 的引入進(jìn)一步推動(dòng)了該領(lǐng)域的發(fā)展實(shí)現(xiàn)了更復(fù)雜的拓?fù)渫评砟芰Α，F(xiàn)有的研究詳細(xì)介紹了高精地圖創(chuàng)建和車道拓?fù)錁?gòu)建但是它們?nèi)狈?duì)最新研究的系統(tǒng)性介紹。本篇綜述全面回顧了車道拓?fù)渫评矸椒ǚ治隽怂鼈兊难葑?、能力和局限性。本文研究了該領(lǐng)域中使用的不同評(píng)估指標(biāo)包括道路級(jí)指標(biāo)和車道級(jí)指標(biāo)并且比較了各種方法在標(biāo)準(zhǔn)基準(zhǔn)上的性能。此外本文還討論了當(dāng)前的挑戰(zhàn)并且確定了未來(lái)研究中有前景的方向旨在為研究者和從業(yè)者提供對(duì)這一快速發(fā)展領(lǐng)域的寶貴見(jiàn)解。3. 方法回顧本節(jié)回顧了2024年之前發(fā)表的具有代表性的車道拓?fù)渫评矸椒āＨ鐖D2所示這些方法根據(jù)其發(fā)展范式分為三類。圖 2. 2001年至2024年車道拓?fù)渫评硌芯康难葑冋故玖嗽擃I(lǐng)域的方法進(jìn)展和技術(shù)轉(zhuǎn)型。時(shí)間線跟蹤了三種不同的方法基于程序化建模的方法藍(lán)色箭頭、基于航拍圖像的方法綠色箭頭和基于車載傳感器的方法橙色箭頭程序化建模在2017年之前就已經(jīng)盛行基于航拍圖像的方法在2017年至2022年期間獲得了主流地位。自2023年以來(lái)基于車載傳感器的解決方案變得越來(lái)越普遍。3.1. 程序化建模的方法車道拓?fù)渫评淼脑缙谔剿髦饕捎糜?jì)算機(jī)建模技術(shù)來(lái)模擬城市道路網(wǎng)絡(luò)其主要優(yōu)點(diǎn)是數(shù)據(jù)放大能力強(qiáng)。這些方法的工作流程如圖4所示。圖 4. 基于程序化建模方法的流程在輸入城市的2D圖像地圖例如地理地圖和統(tǒng)計(jì)地圖后這些方法生成了包含建筑物、道路網(wǎng)絡(luò)和其它城市特征的虛擬城市地圖。交互式參數(shù)調(diào)整使得用戶能夠根據(jù)特定要求來(lái)優(yōu)化結(jié)果。Parish等人提出了將L-system應(yīng)用于生成城市道路網(wǎng)絡(luò)的開(kāi)創(chuàng)性工作這一概念在后續(xù)研究中得到了進(jìn)一步擴(kuò)展。Chen等人引入了張量場(chǎng)表示來(lái)建模道路幾何形狀。隨后的改進(jìn)引入了額外的約束和功能。地形感知方法確保了地理一致性而智能仿真技術(shù)增強(qiáng)了交通建模的真實(shí)性。此外基于草圖的方法實(shí)現(xiàn)了直觀的用戶交互示例驅(qū)動(dòng)的方法利用預(yù)先存在的數(shù)據(jù)來(lái)加快道路網(wǎng)絡(luò)生成。3.2. 基于航拍圖像的方法盡管基于程序化建模的方法是該領(lǐng)域的基礎(chǔ)但是這些方法的可控性仍然有限并且嚴(yán)重依賴于人工設(shè)計(jì)的規(guī)則。此外評(píng)估這些規(guī)則和參數(shù)對(duì)最終輸出的影響本身具有挑戰(zhàn)性這需要大量的迭代實(shí)驗(yàn)來(lái)獲得令人滿意的結(jié)果。因此這些方法缺乏靈活性。相比之下深度學(xué)習(xí)的興起通過(guò)從航拍圖像中直接提取道路拓?fù)浣Y(jié)構(gòu)從而徹底改變了高精建圖技術(shù)。這些方法利用了神經(jīng)網(wǎng)絡(luò)這最大限度地減少了人工干預(yù)并且簡(jiǎn)化了建圖過(guò)程。這些方法的一般工作流程如圖5所示。圖 5. 基于航拍圖像方法的流程一些方法利用語(yǔ)義分割網(wǎng)絡(luò)來(lái)識(shí)別航拍圖像中的道路區(qū)域然后進(jìn)行形態(tài)學(xué)后處理以提取道路拓?fù)?。替代方法包括迭代圖構(gòu)造和圖生長(zhǎng)方法。迭代圖構(gòu)造方法通過(guò)從道路網(wǎng)絡(luò)中識(shí)別幾個(gè)頂點(diǎn)并且根據(jù)預(yù)定義的決策函數(shù)迭代地添加新的頂點(diǎn)和邊來(lái)逐步擴(kuò)展圖。相比之下圖生成方法更為直接。這些方法采用矢量場(chǎng)編碼策略它們首先將航拍圖像編碼為潛在表示。神經(jīng)網(wǎng)絡(luò)隨后用于預(yù)測(cè)圖頂點(diǎn)然后解碼過(guò)程預(yù)測(cè)鄰接矩陣并且重建道路網(wǎng)絡(luò)。3.3. 基于車載傳感器的方法盡管基于航拍圖像的方法為該領(lǐng)域引入了新的方法但是它們僅限于提取粗略的道路級(jí)網(wǎng)絡(luò)。此外建筑物和樹(shù)木造成的遮擋往往會(huì)使道路在航拍圖像中不完整從而影響結(jié)果的準(zhǔn)確性。因此這些方法不適合自動(dòng)構(gòu)建高精地圖或者為自動(dòng)駕駛汽車規(guī)劃行為。為了解決這些局限性基于車載傳感器的方法逐漸興起它們利用從車載傳感器捕獲的單模態(tài)或者多模態(tài)數(shù)據(jù)來(lái)構(gòu)建自車周圍的詳細(xì)車道拓?fù)?。這些方法代表了高精建圖的重大轉(zhuǎn)變它們提供了更高的準(zhǔn)確性和適用性。圖6展示了基于車載傳感器方法的典型流程包括主干網(wǎng)絡(luò)、透視變換、車道解碼器和拓?fù)浣獯a器。圖 6. 基于車載傳感器方法的流程主干部分通常由特征提取網(wǎng)絡(luò)組成例如 ResNet 和 Swin Transformer。然后透視變換將這些特征轉(zhuǎn)換為鳥(niǎo)瞰圖 (BEV) 格式。在獲得BEV特征后通常使用基于transformer的架構(gòu)來(lái)設(shè)計(jì)車道中心線解碼器以根據(jù)信息要求輸出車道中心線特征。在這部分中通常使用一組學(xué)習(xí)到的查詢向量來(lái)映射不同的中心線實(shí)例。拓?fù)浣獯a器的功能是在這些車道中心線實(shí)例之間建立連接通常使用GNNs、MLPs和語(yǔ)言模型。除了車載相機(jī)圖像外一些方法還使用補(bǔ)充數(shù)據(jù)源來(lái)增強(qiáng)輸入特征包括SD地圖、激光雷達(dá)點(diǎn)云和交通元素例如交通信號(hào)燈和交通標(biāo)志牌從而提高了性能。Can等人提出了首批工作之一他們使用來(lái)自前視相機(jī)的單幀圖像作為輸入并且采用類似于DETR的基于transformer的架構(gòu)來(lái)預(yù)測(cè)中心線實(shí)例。該方法使用額外的MLPs來(lái)輸出中心線實(shí)例的連接關(guān)系。同樣另一些方法也使用一組MLPs來(lái)預(yù)測(cè)拓?fù)潢P(guān)系。在先前工作的基礎(chǔ)上Can等人引入了最小環(huán)的概念并且準(zhǔn)確估計(jì)了交叉路口區(qū)域的車道連接關(guān)系。LaneGAP通過(guò)采用Path2Graph算法來(lái)恢復(fù)拓?fù)潢P(guān)系從而進(jìn)一步改進(jìn)了拓?fù)涔烙?jì)。HDMapGen僅使用基于圖的模型來(lái)自回歸地生成車道拓?fù)?。一些解決方案首先檢測(cè)車道中心線并且將每條車道中心線映射到頂點(diǎn)然后使用基于圖的模型來(lái)更新車道拓?fù)?。此外另一些方法?duì)車道中心線特征進(jìn)行序列化并且使用語(yǔ)言模型來(lái)建立拓?fù)潢P(guān)系。3.4. 其它方法盡管本項(xiàng)調(diào)研著重于上述三種方法類型但是也存在其它重要的方法。例如Jia等人根據(jù)現(xiàn)有高精地圖中的車道線和道路邊界來(lái)生成車道拓?fù)銱e等人和Stanojevic等人從GPS軌跡中提取車道拓?fù)洹?. 數(shù)據(jù)集與基準(zhǔn)本節(jié)列出了上述方法中常用的數(shù)據(jù)集。此外本文還研究了該領(lǐng)域中使用的不同評(píng)估指標(biāo)并且比較了各種方法在基準(zhǔn)數(shù)據(jù)集上的性能。4.1. 數(shù)據(jù)集相關(guān)數(shù)據(jù)集可以分為2D數(shù)據(jù)集和3D數(shù)據(jù)集。表格1總結(jié)了這些數(shù)據(jù)集它們通過(guò)提供針對(duì)特定研究需求而設(shè)計(jì)的多樣化且高質(zhì)量的數(shù)據(jù)在推進(jìn)道路拓?fù)涮崛『蛙嚨劳負(fù)渫评矸矫姘l(fā)揮關(guān)鍵作用。表格1當(dāng)前相關(guān)數(shù)據(jù)集的比較(1) 2D數(shù)據(jù)集為了從航拍圖像中提取道路拓?fù)浣Y(jié)構(gòu)已經(jīng)使用了幾個(gè)2D數(shù)據(jù)集包括SpaceNet、DeepGlobe和Topo-boundary。SpaceNet是一個(gè)包含建筑和道路網(wǎng)絡(luò)標(biāo)注的大規(guī)模數(shù)據(jù)集它廣泛應(yīng)用于城市拓?fù)涮崛∪蝿?wù)。DeepGlobe專注于具有不同土地覆蓋類型的鄉(xiāng)村地區(qū)該數(shù)據(jù)集提供了高密度的道路網(wǎng)絡(luò)標(biāo)注使其適用于需要在非城市環(huán)境中進(jìn)行建圖的任務(wù)。Topo-boundary是專門為離線拓?fù)涞缆愤吔鐧z測(cè)而設(shè)計(jì)的。(2) 3D數(shù)據(jù)集nuScenes、Argoverse2和OpenLane-V2是基于車載傳感器的方法中使用的重要數(shù)據(jù)集。nuScenes和Argoverse2都由來(lái)自高分辨率車載傳感器包括相機(jī)和激光雷達(dá)的數(shù)據(jù)組成。OpenLane-V2是專門為車道拓?fù)渫评砣蝿?wù)而設(shè)計(jì)的獨(dú)特3D數(shù)據(jù)集它分為兩個(gè)子集subset_A和subset_B分別來(lái)自Argoverse2和nuScenes。這些子集確保了全面覆蓋與車道拓?fù)渫评硐嚓P(guān)的場(chǎng)景。4.2. 評(píng)估指標(biāo)三個(gè)像素級(jí)指標(biāo)精度、召回率和F1評(píng)分和兩個(gè)拓?fù)浼?jí)指標(biāo)APLS評(píng)分和TLTS評(píng)分是基于航拍圖像的方法中常用的道路級(jí)指標(biāo)。此外車道級(jí)指標(biāo)例如感知指標(biāo)DETl評(píng)分和推理指標(biāo)TOPll評(píng)分在基于車載傳感器的方法中廣泛應(yīng)用于車道中心線之間的拓?fù)浣Y(jié)構(gòu)。基于程序化建模的方法缺乏一致的評(píng)估指標(biāo)因此這里不討論它們。4.3. 比較結(jié)果表格2展示了三種基于航拍圖像的方法基于分割、迭代圖構(gòu)建和圖生長(zhǎng)在Topo-boundary數(shù)據(jù)集上的定量結(jié)果。表格2最先進(jìn)的基于航拍圖像的方法在Topo-boundary數(shù)據(jù)集上的性能比較表格3展示了基于車載傳感器的方法在OpenLane-V2數(shù)據(jù)集上的定量結(jié)果。表格3最先進(jìn)的基于車載傳感器的方法在OpenLane-V2數(shù)據(jù)集上的性能比較5. 挑戰(zhàn)盡管在高精建圖的車道拓?fù)渫评矸矫嫒〉昧酥卮筮M(jìn)展但是仍然存在若干項(xiàng)挑戰(zhàn)有待解決(1) 專用于車道拓?fù)渫评淼臄?shù)據(jù)集構(gòu)建受到高成本的阻礙這限制了大規(guī)模、高質(zhì)量數(shù)據(jù)集的可用性。因此需要更多的研究工作來(lái)開(kāi)發(fā)針對(duì)車道拓?fù)渫评淼目色@取且魯棒的數(shù)據(jù)集。(2) 盡管基于車載傳感器的方法代表了最新技術(shù)但是它們通常涉及具有大型參數(shù)規(guī)模的模型。這限制了它們?cè)谧詣?dòng)駕駛汽車或者邊緣設(shè)備上的直接部署這些設(shè)備具有嚴(yán)格的計(jì)算和能量限制。因此開(kāi)發(fā)能夠?qū)崟r(shí)構(gòu)建高精地圖的輕量級(jí)模型是至關(guān)重要的。(3) 用于車道拓?fù)渫评淼穆穫?cè)和車載相機(jī)數(shù)據(jù)融合仍然沒(méi)有得到充分探索。與車載相機(jī)不同路側(cè)傳感器例如道路視頻監(jiān)控為高精建圖提供了一個(gè)互補(bǔ)的視角緩解了周圍車輛的遮擋問(wèn)題并且提高了準(zhǔn)確性。然而關(guān)于這一領(lǐng)域的研究文獻(xiàn)有限因此需要進(jìn)一步研究。6. 總結(jié)車道拓?fù)渫评砑夹g(shù)已經(jīng)成為高精建圖和自動(dòng)駕駛應(yīng)用中的關(guān)鍵組成部分從早期的程序化建模階段快速發(fā)展成現(xiàn)代的基于車載傳感器的方法。本篇綜述對(duì)這一進(jìn)展進(jìn)行了全面分析突出了取得的重大進(jìn)展同時(shí)確定了未來(lái)研究中的挑戰(zhàn)和機(jī)遇。現(xiàn)代技術(shù)在捕獲復(fù)雜的車道拓?fù)浞矫嬲宫F(xiàn)出卓越的性能。各種數(shù)據(jù)源包括相機(jī)圖像、激光雷達(dá)點(diǎn)云和現(xiàn)有的SD地圖的集成進(jìn)一步提高了這些系統(tǒng)的魯棒性和準(zhǔn)確性。然而一些關(guān)鍵挑戰(zhàn)依然存在。大規(guī)模、高質(zhì)量數(shù)據(jù)集的可用性受限繼續(xù)制約著模型的開(kāi)發(fā)和驗(yàn)證。此外當(dāng)前架構(gòu)的計(jì)算需求對(duì)資源受限環(huán)境中的實(shí)時(shí)應(yīng)用提出了挑戰(zhàn)。對(duì)于該領(lǐng)域中的未來(lái)研究一個(gè)有前景的方向是通過(guò)采用路側(cè)基礎(chǔ)設(shè)施輔助的車輛感知技術(shù)來(lái)構(gòu)建車道拓?fù)洹? 車道拓?fù)渫评硌葸M(jìn)：從程序化建模到車載傳感器
0. 導(dǎo)讀車道拓?fù)渫评韺?duì)于高精建圖和自動(dòng)駕駛應(yīng)用至關(guān)重要從早期的程序化建模方法發(fā)展到基于車載傳感器的方法但是很少有工作對(duì)車道拓?fù)渫评砑夹g(shù)進(jìn)行全面概述。為此本文系統(tǒng)性地調(diào)研了車道拓?fù)渫评砑夹g(shù)同時(shí)確定了未來(lái)研究的挑戰(zhàn)和機(jī)遇旨在為研究者和從業(yè)者提供對(duì)這一快速發(fā)展領(lǐng)域的寶貴見(jiàn)解。論文題目A Concise Survey on Lane Topology Reasoning for HD Mapping論文作者Yi Yao, Miao Fan, Shengtong Xu, Haoyi Xiong, Xiangzeng Liu, Wenbo Hu, Wenbing Huang論文地址https://arxiv.org/abs/2504.019891. 摘要車道拓?fù)渫评砑夹g(shù)在高精 (HD) 建圖和自動(dòng)駕駛應(yīng)用中發(fā)揮著至關(guān)重要的作用。雖然近年來(lái)在該領(lǐng)域中取得了重大進(jìn)展但是很少有文獻(xiàn)綜合概述這些工作。本項(xiàng)調(diào)研系統(tǒng)性地回顧了車道拓?fù)渫评矸椒ǖ难葑兒同F(xiàn)狀將其分為三種主要范式基于程序化建模的方法、基于航拍圖像的方法和基于車載傳感器的方法。本文分析了從早期基于規(guī)則的方法到現(xiàn)代基于學(xué)習(xí)的解決方案的進(jìn)展這些基于學(xué)習(xí)的解決方案利用了transformers、圖神經(jīng)網(wǎng)絡(luò) (GNNs) 和其它深度學(xué)習(xí)架構(gòu)。本文研究了標(biāo)準(zhǔn)化的評(píng)估指標(biāo)包括道路級(jí)指標(biāo)APLS和TLTS評(píng)分和車道級(jí)指標(biāo)DET和TOP評(píng)分以及在OpenLane-V2等基準(zhǔn)數(shù)據(jù)集上的性能比較。本文確定了關(guān)鍵的技術(shù)挑戰(zhàn)包括數(shù)據(jù)集可用性和模型效率并且總結(jié)了未來(lái)研究中有前景的方向。這篇綜述為研究者和從業(yè)者提供了對(duì)高精建圖應(yīng)用中車道拓?fù)渫评淼睦碚摽蚣?、?shí)際實(shí)現(xiàn)和新興趨勢(shì)的見(jiàn)解。2. 介紹高精 (HD) 地圖是自動(dòng)駕駛的基礎(chǔ)它提供了道路網(wǎng)絡(luò)、車道配置和交通元素的詳細(xì)表示。在高精建圖的各方面中車道拓?fù)渫评砝斫獠煌嚨廊绾蜗嗷ミB接和關(guān)聯(lián)見(jiàn)圖3對(duì)于安全且高效的自主導(dǎo)航尤為重要。在過(guò)去的二十年里該領(lǐng)域發(fā)生了重大的演變從簡(jiǎn)單的基于規(guī)則的方法發(fā)展到復(fù)雜的深度學(xué)習(xí)方法。圖 3. 交叉路口處車道拓?fù)涞氖疽鈭D車道拓?fù)渫评矸椒ǖ陌l(fā)展大致可分為三種主要范式。早期的方法依賴于程序化建模技術(shù)利用計(jì)算機(jī)圖形學(xué)和基于規(guī)則的系統(tǒng)來(lái)生成道路網(wǎng)絡(luò)。這些方法較為基礎(chǔ)它們依賴于人工設(shè)計(jì)的規(guī)則并且缺乏靈活性因此受到限制?；诤脚膱D像方法的出現(xiàn)標(biāo)志著一項(xiàng)重大轉(zhuǎn)變它引入了計(jì)算機(jī)視覺(jué)技術(shù)從俯視圖中提取道路拓?fù)浣Y(jié)構(gòu)。然而這些方法往往難以解決由建筑物和樹(shù)木造成的遮擋問(wèn)題它們只能提取粗略的道路級(jí)網(wǎng)絡(luò)。近年來(lái)已經(jīng)見(jiàn)證了基于車載傳感器方法的出現(xiàn)見(jiàn)圖1這代表著車道拓?fù)渫评眍I(lǐng)域的最新進(jìn)展。圖 1. 高精HD建圖的車道拓?fù)渫评韴D示這些方法利用了深度學(xué)習(xí)架構(gòu)它們通常由幾個(gè)關(guān)鍵組件組成用于特征提取的主干網(wǎng)絡(luò)例如ResNet或者Swin Transformer、用于鳥(niǎo)瞰圖轉(zhuǎn)換的透視變換、車道中心線檢測(cè)和拓?fù)渫评砟K?，F(xiàn)代方法通常結(jié)合多種輸入模態(tài)包括相機(jī)、激光雷達(dá)和現(xiàn)有的SD地圖以提高性能?；趖ransformer的架構(gòu)和圖神經(jīng)網(wǎng)絡(luò) (GNNs) 的引入進(jìn)一步推動(dòng)了該領(lǐng)域的發(fā)展實(shí)現(xiàn)了更復(fù)雜的拓?fù)渫评砟芰Α，F(xiàn)有的研究詳細(xì)介紹了高精地圖創(chuàng)建和車道拓?fù)錁?gòu)建但是它們?nèi)狈?duì)最新研究的系統(tǒng)性介紹。本篇綜述全面回顧了車道拓?fù)渫评矸椒ǚ治隽怂鼈兊难葑?、能力和局限性。本文研究了該領(lǐng)域中使用的不同評(píng)估指標(biāo)包括道路級(jí)指標(biāo)和車道級(jí)指標(biāo)并且比較了各種方法在標(biāo)準(zhǔn)基準(zhǔn)上的性能。此外本文還討論了當(dāng)前的挑戰(zhàn)并且確定了未來(lái)研究中有前景的方向旨在為研究者和從業(yè)者提供對(duì)這一快速發(fā)展領(lǐng)域的寶貴見(jiàn)解。3. 方法回顧本節(jié)回顧了2024年之前發(fā)表的具有代表性的車道拓?fù)渫评矸椒āＨ鐖D2所示這些方法根據(jù)其發(fā)展范式分為三類。圖 2. 2001年至2024年車道拓?fù)渫评硌芯康难葑冋故玖嗽擃I(lǐng)域的方法進(jìn)展和技術(shù)轉(zhuǎn)型。時(shí)間線跟蹤了三種不同的方法基于程序化建模的方法藍(lán)色箭頭、基于航拍圖像的方法綠色箭頭和基于車載傳感器的方法橙色箭頭程序化建模在2017年之前就已經(jīng)盛行基于航拍圖像的方法在2017年至2022年期間獲得了主流地位。自2023年以來(lái)基于車載傳感器的解決方案變得越來(lái)越普遍。3.1. 程序化建模的方法車道拓?fù)渫评淼脑缙谔剿髦饕捎糜?jì)算機(jī)建模技術(shù)來(lái)模擬城市道路網(wǎng)絡(luò)其主要優(yōu)點(diǎn)是數(shù)據(jù)放大能力強(qiáng)。這些方法的工作流程如圖4所示。圖 4. 基于程序化建模方法的流程在輸入城市的2D圖像地圖例如地理地圖和統(tǒng)計(jì)地圖后這些方法生成了包含建筑物、道路網(wǎng)絡(luò)和其它城市特征的虛擬城市地圖。交互式參數(shù)調(diào)整使得用戶能夠根據(jù)特定要求來(lái)優(yōu)化結(jié)果。Parish等人提出了將L-system應(yīng)用于生成城市道路網(wǎng)絡(luò)的開(kāi)創(chuàng)性工作這一概念在后續(xù)研究中得到了進(jìn)一步擴(kuò)展。Chen等人引入了張量場(chǎng)表示來(lái)建模道路幾何形狀。隨后的改進(jìn)引入了額外的約束和功能。地形感知方法確保了地理一致性而智能仿真技術(shù)增強(qiáng)了交通建模的真實(shí)性。此外基于草圖的方法實(shí)現(xiàn)了直觀的用戶交互示例驅(qū)動(dòng)的方法利用預(yù)先存在的數(shù)據(jù)來(lái)加快道路網(wǎng)絡(luò)生成。3.2. 基于航拍圖像的方法盡管基于程序化建模的方法是該領(lǐng)域的基礎(chǔ)但是這些方法的可控性仍然有限并且嚴(yán)重依賴于人工設(shè)計(jì)的規(guī)則。此外評(píng)估這些規(guī)則和參數(shù)對(duì)最終輸出的影響本身具有挑戰(zhàn)性這需要大量的迭代實(shí)驗(yàn)來(lái)獲得令人滿意的結(jié)果。因此這些方法缺乏靈活性。相比之下深度學(xué)習(xí)的興起通過(guò)從航拍圖像中直接提取道路拓?fù)浣Y(jié)構(gòu)從而徹底改變了高精建圖技術(shù)。這些方法利用了神經(jīng)網(wǎng)絡(luò)這最大限度地減少了人工干預(yù)并且簡(jiǎn)化了建圖過(guò)程。這些方法的一般工作流程如圖5所示。圖 5. 基于航拍圖像方法的流程一些方法利用語(yǔ)義分割網(wǎng)絡(luò)來(lái)識(shí)別航拍圖像中的道路區(qū)域然后進(jìn)行形態(tài)學(xué)后處理以提取道路拓?fù)?。替代方法包括迭代圖構(gòu)造和圖生長(zhǎng)方法。迭代圖構(gòu)造方法通過(guò)從道路網(wǎng)絡(luò)中識(shí)別幾個(gè)頂點(diǎn)并且根據(jù)預(yù)定義的決策函數(shù)迭代地添加新的頂點(diǎn)和邊來(lái)逐步擴(kuò)展圖。相比之下圖生成方法更為直接。這些方法采用矢量場(chǎng)編碼策略它們首先將航拍圖像編碼為潛在表示。神經(jīng)網(wǎng)絡(luò)隨后用于預(yù)測(cè)圖頂點(diǎn)然后解碼過(guò)程預(yù)測(cè)鄰接矩陣并且重建道路網(wǎng)絡(luò)。3.3. 基于車載傳感器的方法盡管基于航拍圖像的方法為該領(lǐng)域引入了新的方法但是它們僅限于提取粗略的道路級(jí)網(wǎng)絡(luò)。此外建筑物和樹(shù)木造成的遮擋往往會(huì)使道路在航拍圖像中不完整從而影響結(jié)果的準(zhǔn)確性。因此這些方法不適合自動(dòng)構(gòu)建高精地圖或者為自動(dòng)駕駛汽車規(guī)劃行為。為了解決這些局限性基于車載傳感器的方法逐漸興起它們利用從車載傳感器捕獲的單模態(tài)或者多模態(tài)數(shù)據(jù)來(lái)構(gòu)建自車周圍的詳細(xì)車道拓?fù)?。這些方法代表了高精建圖的重大轉(zhuǎn)變它們提供了更高的準(zhǔn)確性和適用性。圖6展示了基于車載傳感器方法的典型流程包括主干網(wǎng)絡(luò)、透視變換、車道解碼器和拓?fù)浣獯a器。圖 6. 基于車載傳感器方法的流程主干部分通常由特征提取網(wǎng)絡(luò)組成例如 ResNet 和 Swin Transformer。然后透視變換將這些特征轉(zhuǎn)換為鳥(niǎo)瞰圖 (BEV) 格式。在獲得BEV特征后通常使用基于transformer的架構(gòu)來(lái)設(shè)計(jì)車道中心線解碼器以根據(jù)信息要求輸出車道中心線特征。在這部分中通常使用一組學(xué)習(xí)到的查詢向量來(lái)映射不同的中心線實(shí)例。拓?fù)浣獯a器的功能是在這些車道中心線實(shí)例之間建立連接通常使用GNNs、MLPs和語(yǔ)言模型。除了車載相機(jī)圖像外一些方法還使用補(bǔ)充數(shù)據(jù)源來(lái)增強(qiáng)輸入特征包括SD地圖、激光雷達(dá)點(diǎn)云和交通元素例如交通信號(hào)燈和交通標(biāo)志牌從而提高了性能。Can等人提出了首批工作之一他們使用來(lái)自前視相機(jī)的單幀圖像作為輸入并且采用類似于DETR的基于transformer的架構(gòu)來(lái)預(yù)測(cè)中心線實(shí)例。該方法使用額外的MLPs來(lái)輸出中心線實(shí)例的連接關(guān)系。同樣另一些方法也使用一組MLPs來(lái)預(yù)測(cè)拓?fù)潢P(guān)系。在先前工作的基礎(chǔ)上Can等人引入了最小環(huán)的概念并且準(zhǔn)確估計(jì)了交叉路口區(qū)域的車道連接關(guān)系。LaneGAP通過(guò)采用Path2Graph算法來(lái)恢復(fù)拓?fù)潢P(guān)系從而進(jìn)一步改進(jìn)了拓?fù)涔烙?jì)。HDMapGen僅使用基于圖的模型來(lái)自回歸地生成車道拓?fù)?。一些解決方案首先檢測(cè)車道中心線并且將每條車道中心線映射到頂點(diǎn)然后使用基于圖的模型來(lái)更新車道拓?fù)?。此外另一些方法?duì)車道中心線特征進(jìn)行序列化并且使用語(yǔ)言模型來(lái)建立拓?fù)潢P(guān)系。3.4. 其它方法盡管本項(xiàng)調(diào)研著重于上述三種方法類型但是也存在其它重要的方法。例如Jia等人根據(jù)現(xiàn)有高精地圖中的車道線和道路邊界來(lái)生成車道拓?fù)銱e等人和Stanojevic等人從GPS軌跡中提取車道拓?fù)洹?. 數(shù)據(jù)集與基準(zhǔn)本節(jié)列出了上述方法中常用的數(shù)據(jù)集。此外本文還研究了該領(lǐng)域中使用的不同評(píng)估指標(biāo)并且比較了各種方法在基準(zhǔn)數(shù)據(jù)集上的性能。4.1. 數(shù)據(jù)集相關(guān)數(shù)據(jù)集可以分為2D數(shù)據(jù)集和3D數(shù)據(jù)集。表格1總結(jié)了這些數(shù)據(jù)集它們通過(guò)提供針對(duì)特定研究需求而設(shè)計(jì)的多樣化且高質(zhì)量的數(shù)據(jù)在推進(jìn)道路拓?fù)涮崛『蛙嚨劳負(fù)渫评矸矫姘l(fā)揮關(guān)鍵作用。表格1當(dāng)前相關(guān)數(shù)據(jù)集的比較(1) 2D數(shù)據(jù)集為了從航拍圖像中提取道路拓?fù)浣Y(jié)構(gòu)已經(jīng)使用了幾個(gè)2D數(shù)據(jù)集包括SpaceNet、DeepGlobe和Topo-boundary。SpaceNet是一個(gè)包含建筑和道路網(wǎng)絡(luò)標(biāo)注的大規(guī)模數(shù)據(jù)集它廣泛應(yīng)用于城市拓?fù)涮崛∪蝿?wù)。DeepGlobe專注于具有不同土地覆蓋類型的鄉(xiāng)村地區(qū)該數(shù)據(jù)集提供了高密度的道路網(wǎng)絡(luò)標(biāo)注使其適用于需要在非城市環(huán)境中進(jìn)行建圖的任務(wù)。Topo-boundary是專門為離線拓?fù)涞缆愤吔鐧z測(cè)而設(shè)計(jì)的。(2) 3D數(shù)據(jù)集nuScenes、Argoverse2和OpenLane-V2是基于車載傳感器的方法中使用的重要數(shù)據(jù)集。nuScenes和Argoverse2都由來(lái)自高分辨率車載傳感器包括相機(jī)和激光雷達(dá)的數(shù)據(jù)組成。OpenLane-V2是專門為車道拓?fù)渫评砣蝿?wù)而設(shè)計(jì)的獨(dú)特3D數(shù)據(jù)集它分為兩個(gè)子集subset_A和subset_B分別來(lái)自Argoverse2和nuScenes。這些子集確保了全面覆蓋與車道拓?fù)渫评硐嚓P(guān)的場(chǎng)景。4.2. 評(píng)估指標(biāo)三個(gè)像素級(jí)指標(biāo)精度、召回率和F1評(píng)分和兩個(gè)拓?fù)浼?jí)指標(biāo)APLS評(píng)分和TLTS評(píng)分是基于航拍圖像的方法中常用的道路級(jí)指標(biāo)。此外車道級(jí)指標(biāo)例如感知指標(biāo)DETl評(píng)分和推理指標(biāo)TOPll評(píng)分在基于車載傳感器的方法中廣泛應(yīng)用于車道中心線之間的拓?fù)浣Y(jié)構(gòu)。基于程序化建模的方法缺乏一致的評(píng)估指標(biāo)因此這里不討論它們。4.3. 比較結(jié)果表格2展示了三種基于航拍圖像的方法基于分割、迭代圖構(gòu)建和圖生長(zhǎng)在Topo-boundary數(shù)據(jù)集上的定量結(jié)果。表格2最先進(jìn)的基于航拍圖像的方法在Topo-boundary數(shù)據(jù)集上的性能比較表格3展示了基于車載傳感器的方法在OpenLane-V2數(shù)據(jù)集上的定量結(jié)果。表格3最先進(jìn)的基于車載傳感器的方法在OpenLane-V2數(shù)據(jù)集上的性能比較5. 挑戰(zhàn)盡管在高精建圖的車道拓?fù)渫评矸矫嫒〉昧酥卮筮M(jìn)展但是仍然存在若干項(xiàng)挑戰(zhàn)有待解決(1) 專用于車道拓?fù)渫评淼臄?shù)據(jù)集構(gòu)建受到高成本的阻礙這限制了大規(guī)模、高質(zhì)量數(shù)據(jù)集的可用性。因此需要更多的研究工作來(lái)開(kāi)發(fā)針對(duì)車道拓?fù)渫评淼目色@取且魯棒的數(shù)據(jù)集。(2) 盡管基于車載傳感器的方法代表了最新技術(shù)但是它們通常涉及具有大型參數(shù)規(guī)模的模型。這限制了它們?cè)谧詣?dòng)駕駛汽車或者邊緣設(shè)備上的直接部署這些設(shè)備具有嚴(yán)格的計(jì)算和能量限制。因此開(kāi)發(fā)能夠?qū)崟r(shí)構(gòu)建高精地圖的輕量級(jí)模型是至關(guān)重要的。(3) 用于車道拓?fù)渫评淼穆穫?cè)和車載相機(jī)數(shù)據(jù)融合仍然沒(méi)有得到充分探索。與車載相機(jī)不同路側(cè)傳感器例如道路視頻監(jiān)控為高精建圖提供了一個(gè)互補(bǔ)的視角緩解了周圍車輛的遮擋問(wèn)題并且提高了準(zhǔn)確性。然而關(guān)于這一領(lǐng)域的研究文獻(xiàn)有限因此需要進(jìn)一步研究。6. 總結(jié)車道拓?fù)渫评砑夹g(shù)已經(jīng)成為高精建圖和自動(dòng)駕駛應(yīng)用中的關(guān)鍵組成部分從早期的程序化建模階段快速發(fā)展成現(xiàn)代的基于車載傳感器的方法。本篇綜述對(duì)這一進(jìn)展進(jìn)行了全面分析突出了取得的重大進(jìn)展同時(shí)確定了未來(lái)研究中的挑戰(zhàn)和機(jī)遇。現(xiàn)代技術(shù)在捕獲復(fù)雜的車道拓?fù)浞矫嬲宫F(xiàn)出卓越的性能。各種數(shù)據(jù)源包括相機(jī)圖像、激光雷達(dá)點(diǎn)云和現(xiàn)有的SD地圖的集成進(jìn)一步提高了這些系統(tǒng)的魯棒性和準(zhǔn)確性。然而一些關(guān)鍵挑戰(zhàn)依然存在。大規(guī)模、高質(zhì)量數(shù)據(jù)集的可用性受限繼續(xù)制約著模型的開(kāi)發(fā)和驗(yàn)證。此外當(dāng)前架構(gòu)的計(jì)算需求對(duì)資源受限環(huán)境中的實(shí)時(shí)應(yīng)用提出了挑戰(zhàn)。對(duì)于該領(lǐng)域中的未來(lái)研究一個(gè)有前景的方向是通過(guò)采用路側(cè)基礎(chǔ)設(shè)施輔助的車輛感知技術(shù)來(lái)構(gòu)建車道拓?fù)洹?