ドライビングシーンにおけるグラフベースのトポロジー推論

自動運転を実現するためには、道路ゲノムの理解が不可欠です。この高度な知能問題は、車線の接続関係と車線と交通要素との割り当て関係という2つの側面を持っていますが、包括的なトポロジー推論手法が未だ存在していません。一方で、従来のマップ学習技術はセグメンテーションや車線検出パラダイムにおいて車線の接続性を導き出すことに苦労しており、または車線トポロジーに焦点を当てたアプローチは中心線検出に重点を置き、相互作用モデリングを無視しています。他方で、交通要素から車線への割り当て問題は画像領域に限定されており、2つの視点からの対応関係の構築方法は未開拓の課題となっています。これらの課題に対処するために、私たちはTopoNet（トポネット）を提案します。これは、従来の認識タスクを超えた交通知識を抽象化できる初のエンドツーエンドフレームワークです。ドライビングシーンのトポロジーを捉えるために、3つの重要な設計を導入しました：(1) 2D要素から意味論的知識を取り入れて統一された特徴空間に組み込む埋め込みモジュール；(2) ネットワーク内での特徴量相互作用を可能にする関係性モデリングを行う整理されたシーングラフニューラルネットワーク；(3) 任意にメッセージを伝送する代わりに、異なる種類の道路ゲノムから事前知識を区別するためのシーン知識グラフ。私たちは困難なシーン理解ベンチマークであるOpenLane-V2でTopoNetを評価しました。その結果、当アプローチはすべての認識およびトポロジー指標において以前の研究よりも大幅に優れた性能を示しました。コードは以下のURLで公開されています：https://github.com/OpenDriveLab/TopoNet