0. 简介

高精地图作为自动驾驶中最关键的组成部分，矢量化高精（HD）地图包含有关周围道路元素的详细信息，这对于现代自动驾驶汽车的各项下游任务是至关重要的，例如车辆规划和控制。最近的工作试图直接检测矢量化高精地图，将其作为点集预测任务，从而显著提高了检测性能。然而，这些方法无法分析并且利用预测点之间的内部实例相关性，这阻碍了进一步的发展。《INSIGHTMAPPER: A CLOSER LOOK AT INNERINSTANCE INFORMATION FOR VECTORIZED HIGHDEFINITION MAPPING》利用内部实例信息通过Transformers进行矢量化高精建图，并且引入了InsightMapper。本文提出了InsightMapper中的三种新型设计，其通过不同的方式利用内部实例信息，包括混合查询生成、内部实例查询融合以及内部实例特征聚合。并最终完成了建图。具体的项目代码在github上可以查到。

1. 主要贡献

本文的贡献总结如下：

1）本文研究了内部实例点之间的相关性，证明了利用内部实例点信息可以有效地提高最终性能；

2）为了更好地利用内部实例信息，本文引入了一个称为InsightMapper的新模型，用于在线高精地图检测。InsightMapper包含三个具有不同功能的新型模块，包括查询生成、查询融合以及内部实例自注意力；

3）本文评估了所有的模块设计以及nuScenes数据集上的基线。InsightMapper的性能优于所有基线模型，并且维持了具有竞争力的效率。

2. 点相关性

2.1 预处理：向量地图分解和采样

设$G$为场景的原始向量地图标签，包含顶点#$V$和边$E$。向量地图包含多类道路元素，包括人行横道、道路分隔线、道路边界和车道中心线。其中，前三类道路元素是简单的折线或多边形，没有交点。而车道中心线具有更复杂的拓扑结构，如车道分离、车道合并和车道交叉。为了统一所有向量元素，将向量地图分解为没有交点的简单形状（即折线和多边形）。将向量地图中度数大于2的顶点（即交点顶点）从$G$中移除，并断开相应的边。这样，得到一组没有交点的简单折线和多边形，表示为 G ∗ = { l i } i = 0 N ∗ G^∗ = \{l_i\}^{N^∗}_{i=0} G∗={li​}i=0N∗​，其中$G^{\ast }$是一个无向图。每个形状$l_i$被定义为一个实例，$N^{\ast }$表示向量地图中实例的总数。为了增强模型的并行化能力，按照MapTR的方法，每个实例都被均匀地重新采样为具有固定长度点的形式，即$l_i=(v_0,v_1,\dots ,v_j,\dots v_{n_p})$。$l_i$按照$v_0$到$v_{n_p}$的顺序排列，其中$n_p$是每个实例采样点的数量。对于多边形实例，$v_0$等于$v_{n_p}$。预处理模块的可视化如图2所示。

图2：向量地图的预处理：粉色线条表示边缘，橙色点表示顶点，蓝色点表示度数大于两个的交叉点。为了简化图形，移除了交叉点，并且每个获得的实例被均匀重新采样为$n_p$ 个顶点（在本例中，$n_p$=4）

图3：内部和外部相关性的可视化。绿色线条表示蓝色点与同一实例中其他点之间的内部相关性，而红色线条表示蓝色点与属于不同实例的点之间的外部相关性，应该被阻断以防止干扰。

…详情请参照古月居