优于所有方法！HIMap：端到端矢量化HD地图构建

新闻中心 NEWS CENTER

您当前位置：首页 > 新闻中心 > 行业资讯

优于所有方法！HIMap：端到端矢量化HD地图构建

2024-03-19

浏览次数：次

返回列表

矢量化高清（hd）地图构建需要预测地图元素的类别和点坐标（例如道路边界、车道分隔带、人行横道等）。现有技术的方法主要基于点级表示学习，用于回归精确的点坐标。然而，这种pipeline在获得element-level信息和处理element-level故障方面具有局限性，例如错误的element 形状或element之间的纠缠。为了解决上述问题，本文提出了一个简单而有效的hybrid框架，命名为himap，以充分学习和交互点级和element级信息。

具体来说，引入了一种称为HIQuery的混合表示来表示所有地图元素，并提出了一种点element交互器来交互式地提取元素的混合信息，如点位置和element形状，并将其编码到HIQuery中。此外，还提出了点-element一致性约束，以增强点级和element级信息之间的一致性。最后，集成HIQuery的输出点元素可以直接转换为地图元素的类、点坐标和掩码。在nuScenes和Argoverse2数据集上进行了广泛的实验，结果显示始终优于以前的方法。值得注意的是，在nuScenes数据集上方法实现了77.8mAP ，显著优于以前的SOTA至少8.3 mAP！

论文名称：HIMap: HybrId Representation Learning for End-to-end Vectorized HD Map Construction

论文链接：https://arxiv.org/pdf/2403.08639.pdf

HIMap首先引入一种称为HIQuery的混合表示来表示地图中的所有地图元素。它是一组可学习的参数，可以通过与BEV特征交互来迭代更新和细化。然后，设计了一个多层混合解码器，将地图元素的混合信息（如点位置、元素形状）编码到HIQuery中，并进行点元素交互，见图2。混合解码器的每一层包括点元素交互器、自关注和FFN。在点元交互器内部，执行了一个相互交互机制，以实现点级和元素级信息的交换，避免单级信息的学习偏差。最终，集成HIQuery的输出点元素可以直接转换为元素的点坐标、类和掩码。此外，还提出了点-元素一致性约束，以加强点级和元素级信息之间的一致性。

☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜

HIMap框架一览

HIMap的整体流程如图3（a）所示。HIMap能够与多种机载传感器数据兼容，例如来自多视图相机的RGB图像、激光雷达的点云或者多模态数据。这里以多视图RGB图像为例来解释HIMap的工作原理。

优于所有方法！HIMap：端到端矢量化HD地图构建

BEV特征提取器是一种用于从多视图RGB图像中提取BEV特征的工具。它的核心包括从每个透视图中提取多尺度2D特征的主干部分，通过融合和细化多尺度特征得到单一尺度特征的FPN部分，以及利用2D到BEV特征转换模块将2D特征映射为BEV特征。这个过程有助于将图像信息转换为更适合用于处理和分析的BEV特征，提高了特征的可用性和准确性。通过这种方法，我们能够更好地理解和利用多视图图像中的信息，为后续的数据处理和决策提供更有力的支持。

HIQuery：为了充分学习地图元素的点级和元素级信息，引入HIQuery来表示地图中的所有元素！

混合解码器：混合解码器通过将HIQuery Qh与BEV特征X迭代交互来产生集成的HIQuery。