TopoLogic: An Interpretable Pipeline for Lane Topology Reasoning on Driving Scenes

作为一个集成感知和推理的新兴任务，在自动驾驶场景中的拓扑推理最近受到了广泛关注。然而，现有的工作往往强调“感知优于推理”，它们通常通过增强车道感知并直接采用MLP来从车道查询中学习车道拓扑，提高推理性能。这种范式忽略了车道本身固有的几何特征，并容易受到车道检测中固有的端点位移的影响。为了解决这个问题，我们提出了一种基于车道几何距离和车道查询相似度的可解释车道拓扑推理方法，称为TopoLogic。该方法减轻了几何空间中端点位移的影响，并引入了语义空间中的显式相似度计算作为补充。通过整合两个空间的结果，我们的方法为车道拓扑提供了更全面的信息。最终，我们的方法在主流基准OpenLane-V2上表现显著优于现有的最先进方法（在TOP$_{ll}$上为23.9比10.9，在OLS的subset_A上为44.1比39.8）。此外，我们提出的基于几何距离的拓扑推理方法可以被整合到训练良好的模型中，而无需重新训练，从而显著提高车道拓扑推理的性能。该代码已在https://github.com/Franpin/TopoLogic发布。

本论文旨在解决自动驾驶场景中车道拓扑推理的问题，提出了一个基于车道几何距离和车道查询相似度的可解释方法，名为TopoLogic。该方法旨在弥补现有方法忽视车道本身几何特征的不足，同时减轻车道检测中端点偏移的影响。

TopoLogic方法将车道几何距离和车道查询相似度相结合，提供更全面的车道拓扑信息。该方法可以与已经训练好的模型相结合，显著提高车道拓扑推理的性能。

论文在OpenLane-V2数据集上进行了实验，结果表明TopoLogic方法在TOP$_{ll}$和OLS指标上均显著优于现有的最先进方法。此外，该方法还可以与已经训练好的模型相结合，无需重新训练。论文提供了开源代码。

近期在车道检测领域的相关研究包括：《End-to-end Lane Detection through Differentiable Least Squares Fitting》、《Lane Detection and Tracking using Bézier Curves》等。