Bi-Mapper：自动驾驶中整体BEV语义建图

摘要

本文介绍了Bi-Mapper：自动驾驶中整体BEV语义建图。覆盖道路场景中基本道路元素的语义地图是自动驾驶系统中重要的组成部分。当在鸟瞰图（BEV）中渲染时，它为定位和规划提供了重要的感知基础。目前，在标定参数的帮助下，假定深度的先验知识可以将前视图直接转换为BEV。然而，在表示远处目标时，它会受到几何畸变的影响。此外，另一种没有先验知识的方法可以通过全局视图隐式地学习前视图和BEV之间的变换。考虑到不同学习方法的融合可能会带来出人意料的有益效果，本文提出一种用于自上而下道路场景语义理解的Bi-Mapper框架，它结合了全局视图和局部先验知识。为了增强它们之间可靠的交互，本文提出了一种异步交互学习策略。同时，本工作设计了一种跨空间损失（ASL）来降低几何畸变的不利影响。在nuScenes和Cam2BEV数据集上的大量结果验证了所提出Bi-Mapper框架中每个模块的一致有效性。与现有道路建图网络相比，所提出Bi-Mapper在nuScenes数据集上实现了高出5.0的IoU。此外，我们在现实世界的驾驶场景中验证了Bi-Mapper的泛化性能。

主要贡献

本研究的主要贡献如下：

1）本文提出了一种新型的端到端框架，它通过两种方式同时学习BEV道路地图。一种方式着重于先验知识，而另一种方式依赖于网络的学习能力；

2）由于两种方式本身的学习特性不同，效率也有差异，因此采用异步交互学习来平衡它们；

3）为了提高网络的准确率，本文提出了跨空间损失，这也可以缓解几何畸变问题；

4）大量的实验证明了所提出算法的优越性和关键组成部分的有效性。

论文图片和表格

总结

在本文中，我们提出了一种自动驾驶中用于整体BEV语义建图的Bi-Mapper。Bi-Mapper是一种双路的网络，用于从前视和IPM视图构建一个BEV道路地图，它采用一种跨空间损失和异步交互学习来增强自上而下的语义建图。在nuScenes和Cam2BEV数据集上进行的大量实验表明，Bi-Mapper在持续提高各种建图方法准确性方面具有很高的性能和巨大的潜力。此外，它在现实应用场景下展现出鲁棒的语义建图结果。在未来，我们打算利用时间信息来构建更精确且具有宽范围的BEV道路地图。

文章转载自公众号：自动驾驶专栏