近期，覺非科技通過在車端與路端的大規模數據積累，基于MapTR（Map TRansformer）方法提出了創新與優化：①對車道信息的表達方式進行優化，并簡化了模型結構；②在MapTR的基礎上加入了地圖先驗信息，有效提升模型輸出地圖元素的準確度與召回率；③加入車道中心線以及道路拓撲等要素的建模，系統化提升單車實時建圖效率，易于自動駕駛規控使用。
2022年，華中科技大學Vision Lab與地平線合作，共同提出了矢量高精地圖在線實時構建方法MapTR。其對地圖要素進行結構化建模，將地圖元素表征為一組等效排列的點集，消除表示上的歧義性，降低模型的學習難度。同時，采用分層查詢向量來編碼地圖結構化信息，可對點信息和實例級信息進行靈活編碼。
實驗表明，MapTR在nuScenes數據集上取得了較好的建圖質量和實時運行速度，且在多樣而復雜的駕駛場景中也能保持穩定的建圖性能。MapTR展現了在線建圖方案的潛力和前景，具有很高的應用價值。
覺非科技的優化方向：更適合自動駕駛下游任務使用
實時建圖能力是實現自動駕駛實時環境感知的前提。目前，地圖矢量化方法已成為實時建圖的熱點方向，其使用有序點集來表征各個地圖元素，直接回歸出每個地圖元素的點集，實現了更準確的結果和更快的運行速度。
然而，在實際應用中，此類方法也出現了亟待提升之處。例如，檢測多道路信息時，模型結構冗余，導致計算效率下降；對于遮擋與遠處目標，無法提取有效特征。同時，該方法不能直接輸出車道級的拓撲結構，導致下游規控模塊難以使用。
針對以上問題，覺非科技通過大量的車端與路端數據積累，對MapTR方法進行實用性優化，通過這些優化更準確的捕捉地圖細節和結構，從建圖層面進一步豐富了地圖要素的輸出，使其更適合自動駕駛各種下游任務使用。
覺非科技實時感知矢量地圖能力展示
視頻：覺非科技實時感知矢量地圖能力展示
覺非科技的實踐
1.更完善的車道屬性表達方式
在MapTR的基礎上，覺非科技增加了車道中心線的表達與輸出，這樣的方式可以更加清晰的反映出車道的連接關系。與此同時，覺非還增加了車道方向學習的能力，通過車道中心線的方向信息與對向車道的方向加以區分。不僅如此，模型還可以回歸車道寬度信息以及車道邊界線屬性信息，這樣的表達方式更加符合下游規控模塊的真實需求，極大提升了自車對于地圖理解的性能。
2.加入地圖先驗信息
通過大量的路測數據積累，覺非科技在MapTR中增加了地圖先驗信息，特別是在“路口”或存在遮擋關系的場景下，該方法可以更加穩定的輸出拓撲連接關系，極大提升了準確度和召回率，進而提高自車在經過復雜路口等場景時的安全性。
3.對于道路拓撲表達形式的優化
MapTR檢測的車道對象通常會被拓撲分歧點打斷，覺非科技的方案可以把被分歧點打斷的車道重新掛接，無需后續手動處理車道掛接。這樣的方式雖然會導致檢出車道的部分重復，但可以使每個車道更加獨立，車道形狀更加連續與平滑，特別是在車道分叉頻繁的場景下，可以為模型提供更明確的監督信號，提升整體模型在實際場景中使用的穩定性。
目前，覺非科技正在將基于MapTR的多重改進加入到多任務聯合訓練中，結合對障礙物3D檢測、道路分割等能力，持續迭代感知大模型，賦予車輛在陌生場景下更好的自動駕駛能力。覺非科技希望通過這樣的方式能夠為實時建圖的進一步創新提供基礎，最終提升自動駕駛技術向更加安全可靠的方向發展。
論文原文鏈接：https://arxiv.org/abs/2208.14437
代碼鏈接：https://github.com/hustvl/MapTR
