Estimation du graphe de voies pour la compréhension de scènes en conduite urbaine

Les annotations de scènes au niveau des voies fournissent des données précieuses pour la planification de trajectoires dans les véhicules autonomes, notamment dans des environnements complexes tels que les zones urbaines et les villes. Toutefois, l’obtention de ces données est longue et coûteuse, car les annotations de voies doivent être réalisées manuellement par des humains, ce qui rend leur extension à de grandes surfaces difficile. Dans ce travail, nous proposons une nouvelle approche pour l’estimation de la géométrie des voies à partir d’images vue du dessus (bird’s-eye-view). Nous formulons le problème d’estimation de la forme des voies et des connexions entre elles comme un problème d’estimation de graphe, où les points d’ancrage des voies constituent les nœuds du graphe et les segments de voie représentent les arêtes. Nous entraînons un modèle d’estimation de graphe sur des données multimodales vue du dessus, prétraitées à partir du jeu de données NuScenes populaire et de son pack d’extension cartographique. Nous estimons par ailleurs la direction de chaque connexion de voie à l’aide d’un modèle distinct, ce qui permet de construire un graphe orienté des voies. Nous illustrons les performances de notre modèle LaneGraphNet sur le jeu de données exigeant NuScenes et fournissons une évaluation qualitative et quantitative approfondie. Notre modèle montre des performances prometteuses sur la majorité des scènes urbaines évaluées et constitue une étape importante vers la génération automatisée d’annotations de voies haute précision (HD) pour les véhicules autonomes.