Continuity Preserving Online CenterLine Graph Learning

这段摘要讲述了车道拓扑结构对于高级别自动驾驶的重要性，通常通过中心线图来建模。对于高质量的图形，拓扑连接性和中心线段的空间连续性都是至关重要的。然而，大多数现有方法更注重连接性而忽略了连续性。这种中心线图通常会对自动驾驶的规划造成问题。为了解决这个问题，作者提出了一个端到端的网络CGNet，包括三个关键模块：1）Junction Aware Query Enhancement模块，提供位置先验来准确预测交叉点；2）B\'ezier Space Connection模块，在B\'ezier空间中对任意两个拓扑连接的线段强制执行连续性约束；3）迭代拓扑细化模块，是一个基于图形的网络，具有记忆功能，可以迭代地优化预测的拓扑连接性。CGNet在nuScenes和Argoverse2数据集上实现了最先进的性能。

CGNet论文旨在解决车道拓扑结构建模中连接性和空间连续性的问题，提出了一种新的端到端网络模型。

CGNet的关键思路包括三个模块：基于位置的交叉口查询增强模块、基于Bézier空间的连接模块和迭代拓扑结构细化模块。

CGNet在nuScenes和Argoverse2数据集上实现了最先进的性能，并提供了开源代码。该论文的贡献是提出了一个新的解决方案来建模车道拓扑结构，并在实验中证明了其有效性。

与此相关的研究包括：《LaneGCN: An Efficient Deep Learning Model for Real-Time Lane Detection》、《Learning Lightweight Lane Detection CNNs by Self Attention Distillation》等。