ADMap：用于重建在线矢量化高精地图的抗干扰框架

作者 | 自动驾驶专栏  编辑 | 自动驾驶专栏

点击下方卡片，关注“自动驾驶之心”公众号

ADAS巨卷干货，即可获取

点击进入→自动驾驶之心【高精地图】技术交流群

本文只做学术分享，如有侵权，联系删文

• 论文链接：https://arxiv.org/pdf/2401.13172.pdf

• 代码链接：https://github.com/hht1996ok/ADMap

摘要

本文介绍了ADMap：用于重建在线矢量化高精地图的抗干扰框架。在自动驾驶领域中，在线高精（HD）地图重建对于规划任务是至关重要的。最近的研究已经开发了若干种高性能的高精地图重建模型来满足这一需求。然而，由于存在预测偏差，实例向量内的点序列可能存在抖动或者锯齿状，这会影响后续任务。因此，本文提出了抗干扰地图重建框架（ADMap）。为了缓解point-order抖动，该框架由三个模块组成：多尺度感知neck（MPN）、实例交互注意力（IIA）和矢量方向差损失（VDDL）。通过以级联方式探索实例之间和实例内部的point-order关系，该模型可以更有效地监测point-order预测过程。ADMap在nuScenes和Argoverse2数据集上实现了最先进的性能。大量结果表明，它能够在复杂且多变的驾驶场景中生成稳定且可靠的地图元素。

主要贡献

本文的贡献如下：

1）本文提出了端到端ADMap，它可以重建更稳定的矢量化高精地图；

2）MPN在不增加计算资源的情况下更精确地捕获多尺度信息，IIA实现了实例之间和实例内部信息之间的有效交互，以缓解实例点位置偏移的问题。VDDL对矢量方向差进行建模，并且使用拓扑信息来监督point-order位置的重建过程；

3）ADMap能够实时重建矢量化高精地图，并且在nuScenes和Argoverse2基准测试中实现了最佳性能。

论文图片和表格

总结

ADMap是一种有效且高效的矢量化高精地图重建框架，其通过多尺度感知Neck、实例交互注意力和矢量方向差损失这三个模块，有效地缓解了由实例点抖动造成的地图拓扑失真问题。大量实验表明，本文所提出的方法能够在nuScenes和Argoverse2基准上获得最佳性能，其高效性也得以验证。我们相信，ADMap可以帮助社区推动有关矢量化高精地图重建任务的研究，以更好地发展自动驾驶等领域。

投稿作者为『自动驾驶之心知识星球』特邀嘉宾，欢迎加入交流！

① 全网独家视频课程

BEV感知、毫米波雷达视觉融合、多传感器标定、多传感器融合、多模态3D目标检测、车道线检测、轨迹预测、在线高精地图、世界模型、点云3D目标检测、目标跟踪、Occupancy、cuda与TensorRT模型部署、大模型与自动驾驶、Nerf、语义分割、自动驾驶仿真、传感器部署、决策规划、轨迹预测等多个方向学习视频（扫码即可学习）

视频官网：www.zdjszx.com

② 国内首个自动驾驶学习社区

近2400人的交流社区，涉及30+自动驾驶技术栈学习路线，想要了解更多自动驾驶感知（2D检测、分割、2D/3D车道线、BEV感知、3D目标检测、Occupancy、多传感器融合、多传感器标定、目标跟踪、光流估计）、自动驾驶定位建图（SLAM、高精地图、局部在线地图）、自动驾驶规划控制/轨迹预测等领域技术方案、AI模型部署落地实战、行业动态、岗位发布，欢迎扫描下方二维码，加入自动驾驶之心知识星球，这是一个真正有干货的地方，与领域大佬交流入门、学习、工作、跳槽上的各类难题，日常分享论文+代码+视频，期待交流！

③【自动驾驶之心】技术交流群

自动驾驶之心是首个自动驾驶开发者社区，聚焦目标检测、语义分割、全景分割、实例分割、关键点检测、车道线、目标跟踪、3D目标检测、BEV感知、多模态感知、Occupancy、多传感器融合、transformer、大模型、点云处理、端到端自动驾驶、SLAM、光流估计、深度估计、轨迹预测、高精地图、NeRF、规划控制、模型部署落地、自动驾驶仿真测试、产品经理、硬件配置、AI求职交流等方向。扫码添加汽车人助理微信邀请入群，备注：学校/公司+方向+昵称（快速入群方式）

④【自动驾驶之心】平台矩阵，欢迎联系我们！