RoadPainter: Points Are Ideal Navigators for Topology transformER

本文介绍了一种名为RoadPainter的创新方法，利用多视图图像检测和推理车道中心线的拓扑结构，以提供对道路场景的精确理解，从而使自主系统能够识别安全和高效的路线。RoadPainter的核心概念是从每个中心线掩模中提取一组点，以提高中心线预测的准确性。我们首先实现了一个变换器解码器，它集成了混合注意机制和真实-虚拟分离策略，以预测粗糙的车道中心线并建立拓扑关联。然后，我们根据变换器解码器中的中心线点生成中心线实例掩模。此外，我们从每个掩模中推导出另一组点，并将其与先前检测到的中心线点相结合以进一步细化。此外，我们引入了一个可选模块，该模块将标准定义（SD）地图结合到中心线检测中，以进一步优化中心线检测并增强拓扑推理性能。在OpenLane-V2数据集上的实验评估表明，RoadPainter具有最先进的性能。

RoadPainter试图通过多视角图像检测和推理车道中心线的拓扑结构，以实现自主驾驶车辆的安全和高效行驶。该研究是否解决了一个新问题？

RoadPainter的核心思想是从每个中心线掩模中提取一组点，以提高中心线预测的准确性。使用transformer解码器来预测粗略的车道中心线和建立拓扑关系。然后，通过中心线点生成中心线实例掩模，并结合先前检测到的中心线点进行进一步优化。

该论文在OpenLane-V2数据集上进行了实验评估，并展示了RoadPainter的最新性能。论文还介绍了一个可选模块，该模块包括标准定义（SD）地图，以进一步优化中心线检测和增强拓扑推理性能。该研究的代码已经开源，可以进一步研究和使用。

在这个领域中，最近的相关研究包括：1. LaneNet:实时车道检测与分割，2. Deep Multi-Sensor Lane Detection，3. Lane Detection using Deep Learning: A Survey。