P-MapNet: Far-seeing Map Generator Enhanced by both SDMap and HDMap Priors

自动驾驶汽车正在逐渐进入城市道路，借助高清地图（HDMaps）的帮助。然而，对HDMaps的依赖性阻止了自动驾驶汽车进入没有这种昂贵数字基础设施的区域。这一事实促使许多研究人员研究在线HDMap生成算法，但这些算法在远程地区的性能仍然不尽人意。我们提出了P-MapNet，其中字母P突出显示我们专注于整合地图先验以提高模型性能的事实。具体而言，我们在SDMap和HDMap中都利用了先验。一方面，我们从OpenStreetMap中提取弱对准的SDMap，并将其编码为附加的条件分支。尽管存在对准挑战，我们的基于注意力的架构适应性地关注相关的SDMap骨架，并显著提高了性能。另一方面，我们利用掩蔽自编码器来捕捉HDMap的先验分布，它可以作为一个细化模块来减轻遮挡和伪影。我们在nuScenes和Argoverse2数据集上进行了基准测试。通过全面的实验，我们表明：（1）我们的SDMap先验可以提高在线地图生成性能，使用栅格化（最高可达+18.73 mIoU）和矢量化（最高可达+8.50 mAP）输出表示。（2）我们的HDMap先验可以将地图感知度量提高高达6.34％。（3）P-MapNet可以切换到不同的推理模式，涵盖不同的精度-效率权衡的范围。（4）P-MapNet是一个远见的解决方案，对较长范围的改进更大。代码和模型可在https://jike5.github.io/P-MapNet公开获取。

解决问题：论文旨在解决自动驾驶车辆依赖昂贵数字基础设施的问题，通过引入地图先验知识提高在线生成高清地图的性能。

关键思路：论文利用SDMap和HDMap中的先验知识来提高模型性能。通过从OpenStreetMap提取弱对齐的SDMap，作为额外的条件分支，使用基于注意力机制的架构自适应地关注相关的SDMap骨架，从而显著提高了性能。同时，使用掩码自编码器来捕捉HDMap的先验分布，作为细化模块来减轻遮挡和伪像的影响。

亮点：论文在nuScenes和Argoverse2数据集上进行了全面实验，展示了SDMap先验可以提高在线地图生成性能（使用栅格化输出表示，最高提高了18.73 mIoU；使用矢量化输出表示，最高提高了8.50 mAP）；HDMap先验可以提高地图感知度量高达6.34%。此外，P-MapNet可以切换到不同的推理模式，覆盖不同的准确性-效率折衷空间。论文提供了公开代码和模型。

相关研究：最近的相关研究包括：《Learning to Learn from Noisy Labeled Data》、《Adversarial Robustness Evaluation of Deep Learning Models》、《Unsupervised Domain Adaptation for 3D Keypoint Estimation via View Consistency》等。