基于图的驾驶场景拓扑推理

理解道路基因组对于实现自动驾驶至关重要。这一高度智能的问题包含两个方面——车道之间的连接关系以及车道与交通元素之间的分配关系，而目前尚缺乏一种全面的拓扑推理方法。一方面，以往的地图学习技术在使用分割或车道线范式推导车道连通性时面临困难；或者以车道拓扑为导向的方法专注于中心线检测，忽视了交互建模。另一方面，交通元素到车道的分配问题仅限于图像域，如何从两个视角构建对应关系仍是一个未被探索的挑战。为了解决这些问题，我们提出了TopoNet，这是首个端到端框架，能够抽象出超越传统感知任务的交通知识。为了捕捉驾驶场景的拓扑结构，我们引入了三个关键设计：（1）嵌入模块，将来自二维元素的语义知识整合到统一的特征空间中；（2）精心设计的场景图神经网络，用于建模关系并促进网络内部的特征交互；（3）不同于任意传递消息的方式，设计了一种场景知识图谱，以区分不同类型的道路基因组中的先验知识。我们在具有挑战性的场景理解基准OpenLane-V2上评估了TopoNet，在所有感知和拓扑指标上我们的方法均大幅优于以往的所有工作。代码已发布在 https://github.com/OpenDriveLab/TopoNet