TopoLogic: 주행 장면에서 차선 위상 추론을 위한 해석 가능한 파이프라인

자율 주행 장면에서 지각과 추론을 통합하는 새로운 과제로서, 위상 구조 추론(topology reasoning)이 최근 널리 주목받고 있습니다. 그러나 기존 연구는 종종 "지각보다 추론"에 중점을 두어: 일반적으로 차선의 지각을 강화하여 추론 성능을 향상시키고, 차선 쿼리(lane query)로부터 차선 위상 구조를 학습하기 위해 MLP를 직접 사용합니다. 이러한 패러다임은 차선 자체에 내재된 기하학적 특성을 간과하고, 차선 검출에서 고유한 엔드포인트 이동에 영향을 받기 쉽습니다.이 문제를 해결하기 위해, 우리는 차선 기하학적 거리와 차선 쿼리 유사성을 기반으로 한 해석 가능한 방법인 TopoLogic을 제안합니다.이 방법은 기하학적 공간에서의 엔드포인트 이동의 영향을 완화하고, 의미론적 공간에서 명시적인 유사성 계산을 보완적으로 도입합니다. 두 공간의 결과를 통합함으로써, 우리의 방법은 차선 위상 구조에 대해 더 포괄적인 정보를 제공합니다.결국, 우리의 접근 방식은 주류 벤치마크 OpenLane-V2에서 기존 최신 방법들보다 크게 우수한 성능을 보여주었습니다(Subset_A에서 TOP$_{ll}$는 23.9 대 10.9, OLS는 44.1 대 39.8). 또한, 우리가 제안한 기하학적 거리 위상 구조 추론 방법은 재훈련 없이도 잘 훈련된 모델에 통합될 수 있으며, 차선 위상 구조 추론의 성능을 크게 향상시킵니다. 코드는 https://github.com/Franpin/TopoLogic에서 공개되었습니다.