PivotNet：Vectorized Pivot Learning for End-to-end HD Map Construction

参考代码：BeMapNet。PS：代码暂未放出，关注该仓库动态

动机和主要贡献
在MapTR系列的算法中将单个车道线建模为固定数量的有序点集（对应下图Evenly-based），这样的方式对于普通道路场景具备一定适应性。但是却存在对复杂道路建模能力不足，对简单道路建模冗余的问题，针对这样的问题解决思路便是网络依据车道线具体情况预测关键点（对应下图Pivot-based），也就是像下图这样使用关键点描述车道线元素：

为了使得网络能够依据具体场景动态输出车道线关键点数量，文章做了以下几个方面的工作：

• 1）对laneline的query做了修改，使用对每个关键点（point-query）采用学习的方式，这样可以使的点与点之间表达可以独立，这样更有利于这样动态点的表示
• 2）将lane-query和bev下的车道线分割建立关联，使得网络对车道线拓扑结构感知更清晰，同时收敛速度变快
• 3）对于关键点匹配提出一种代价最小化动态规划算法，加快匹配速度

方案流程与框图

从上图的框图可以看到算法分为如下几个部分：

• 1）BEV query构建BEV特征
• 2）按照点建模的方式构建车道线表达，并通过mlp获得车道线实例表征，之后通过矩阵乘法得到车道线分割结果，这样车道线具有了对位置和车道结构感知能力
• 3）使用提出的动态匹配算法建立预测和真值之间的关联，实现车道线预测

车道数据预处理
在数据预处理中，需要对车道线中的关键点进行抽取，如下图所示：

对这样的问题可以采用距离阈值类的方法实现，如Douglas-Peuker。

车道线实例化表达
在初始的时候使用一堆点的方式构建车道线query，它的维度是$Q_{m,n}\in R^{M\ast N\ast C}$，其中$M,N$分别代表车道实例数和车道线线上最大点数。注意由于每条车道线中关键点的位置是不一致的，则使用share方式构建的point-query会存在一定歧义（也就是文中说的Hierarchical Query），这种share方式构建的index-dependent，而对于动态预测车道线关键点则需要index-independent。它们两者的对车道线的建模方式对比见下图：

自然在文章算法所需要的场景下这两种建模方式的性能比较：

query确定之后，其经过几层全联接得到车道线的表达$I_m\in R^C$，再与BEV特征$F_b\in R^{C\ast H\ast W}$做矩阵乘法得到分割结果${\mathcal{M}}_m\in R^{H\ast W}$，也就是下图表述的过程：

这里涉及到分割损失：
$${\mathcal{L}}_{LA}=L_{}$$