写在前面 & 笔者的个人理解

北理工和元戎启行的工作PriorMapNet！ 在线高精地图构建对于自动驾驶中的后续预测和规划任务至关重要。遵循MapTR范式，最近的工作取得了不错的结果。然而在主流方法中，参考点是随机初始化的，导致预测和GT之间的匹配不稳定。为了解决这个问题，我们引入PriorMapNet来增强在线高精地图的构建。具体来说提出了PPS解码器，它为参考点提供了位置和结构先验。根据数据集中的地图元素进行拟合，先验参考点降低了学习难度，实现了稳定的匹配。此外，我们提出了PF编码器，利用BEV特征先验来增强图像到BEV的转换。此外，我们提出了DMD交叉注意，它分别沿多尺度和多样本解耦交叉注意力，以提高效率。我们提出的PriorMapNet在nuScenes和Argoverse2数据集上的在线矢量化高精地图构建任务中实现了最先进的性能。

总结来说，本文的主要贡献如下：

与传统的离线高精地图构建方法不同，最近的研究使用车载传感器构建在线高精地图。早期的方法将地图构建作为分割任务，预测BEV空间中的光栅化地图。HDMapNet通过后处理将这些光栅化地图进一步转换为矢量化地图。

VectorMapNet引入了第一个端到端的矢量化地图模型，使用DETR解码器检测地图元素，并使用自回归变换器优化结果。因此，MapTR和MapTRv2设计了一种具有实例点级分层查询嵌入方案的单阶段地图构建范式。后来提出的主流方法遵循了这一流程，改进的重点是增强查询和外部功能的交互。InsMapper和HIMap进一步探索了实例和点之间的相关性，并改进了查询中的交互。MapQR在实例级查询中隐式编码点级查询，并嵌入查询位置，如Conditional DETR。尽管有上述发展，但这些方法随机初始化参考点，导致匹配不稳定。为了解决这个问题，我们的PriorMapNet引入了先验来增强匹配稳定性。

先验为地图构建提供了有效的初始化，降低了模型学习的难度。我们将先验分为两类：语义先验和位置和结构先验。对于先验语义，MGMap提出了Mask Active Instance（MAI），它学习地图实例分割结果，并为实例查询提供语义先验。Bi-Mapper设计了一个双流模型，使用全局和局部视角的先验来增强语义图学习。对于先验位置和结构，Topo2D（Li等人，2024a）使用2D车道检测结果作为先验来初始化查询。SMERF和P-MapNet引入了标准地图（SDMap）作为地图构建的位置和结构先验。然而，上述方法依赖于额外的模块，增加了计算复杂度。相比之下，PriorMapNet使用离线聚类地图元素作为位置和结构先验，在不增加额外计算消耗的情况下提高了性能。

地图构建通常依赖于BEV特征，该特征由编码器从图像中转换而来。编码器有两种类型：自下而上和自上而下。自下而上的编码器将图像提升到3D，并使用voxel pooling生成BEV特征。自顶向下编码器生成包含3D信息的BEV查询，并使用变压器提取图像特征以进行BEV查询。然而，由于查询是随机初始化的，单层编码器的精度较低，多层编码器带来了更高的计算复杂度。为了克服这些局限性，我们使用先验特征增强了BEV查询。

PriorMapNet网络结构如图3所示。主要包含四个部分Backbone、PF-Encoder、PPS-Decoder和Prediction Output。

PPS-Decoder如图4c所示。结合随机初始化参考点的MapTRv2和仅提供语义先验而不提供位置信息的MGMap，PPS-Decoder通过位置和结构先验增强参考点，提供“good anchor”来提高准确性和匹配稳定性。

PPS-Decoder包含多个级联的解码器层，用于迭代地优化分层查询和参考点。分层查询由实例级查询和点级查询组成，它们通过broadcasting组合在一起：

参考点用先前的位置和结构进行初始化。为了拟合数据集中地图元素的分布，我们使用K-Means对地图元素进行聚类，并提取第一个Npri元素的位置信息，如图2所示。聚类和抽象是由离线完成的，确保在推理过程中没有额外的计算负担。在训练和推理过程中，一些参考点获得了拟合的位置和结构先验（称为先验参考点，而其余的参考点仍然来自可学习的参数（称为可学习参考点，参考点的组合集表示为R）。

为了嵌入查询位置，参考点在DAB-DETR之后用正弦位置进行编码。查询位置嵌入实现如下：

线性层的参数不在解码器层之间共享。PE（·）在坐标上单独计算，位置嵌入沿着特征通道连接：

参考点和位置嵌入在PPS解码器层之间进行更新。在每一层中，自我关注和交叉关注机制使用以下输入进行QKV和参考点：

先验参考点适合数据集中地图元素的位置和结构分布，这有助于查询专注于学习与参考点的偏移。此外，我们维护了可学习参考点，以捕获和表示与典型位置和结构模式不同的地图元素。自注意力使先前参考点和可学习参考点之间能够相互作用，减少冗余检测，提高整体检测精度。

PF编码器通过BEV特征先验增强了图像到BEV的转换。PF编码器建立在自上而下编码器（如BEVFormer和GKT）的基础上，利用BEV特征作为查询，通过交叉注意力提取相关图像特征。

我们首先使用LSS将图像特征转换为初始化的BEV特征，然后将其用作BEV查询先验，在单层BEVFormer编码器中进行优化。在MGMap之后，BEV特征通过EML Neck下采样到多尺度。

为了更好地聚合来自同一映射元素的特征，有必要吸收同一实例的嵌入并区分不同实例的嵌入。因此，我们引入了地图元素的判别损失，以使相同的立场更接近，并进一步分离不同的实例：

在PPS解码器的交叉注意力层，查询加权样本BEV特征。PF编码器使查询能够有效地聚合与同一地图元素相关的特征，同时区分不同的地图实例，提高地图构建的准确性。

为了解决多尺度可变形交叉注意力（MSDA）的计算复杂性，我们提出了DMD交叉注意机制，以沿多尺度和多样本解耦交叉注意力，如图5b所示。

在vanilla MSDA中，每个查询都与M尺度BEV特征交互，并在每个尺度上采样N个点，其计算复杂度为O（M×N）：

为了提高效率，DMD交叉注意力机制将香草MSDA过程分为两个阶段：

多尺度阶段在M个尺度上进行交叉注意力，每个尺度采样一个点。多采样阶段使用多尺度阶段的输出，并专注于最大尺度特征来采样N个点。DMD交叉注意将计算复杂度降低到O（M，N），并实现了比普通MSDA更高的性能。

为了验证我们提出的方法PriorMapNet的有效性，我们在广泛使用的nuScenes数据集和Argoverse 2数据集上对其进行了评估，并将其与SOTA方法进行了比较。

nuScenes数据集是在线矢量化高精地图构建的标准基准，包含由六个多视图相机和激光雷达捕获的1000个驾驶场景，其中2D矢量化地图元素作为地面实况。Argoverse 2专为自动驾驶的感知和预测研究而设计，包含1000个场景，每个场景15秒。由七个多视图相机捕获的3D矢量化地图元素作为GT提供。

根据之前的研究，我们评估了三类地图元素的性能：车道分隔带、人行横道和道路边界。PriorMapNet的性能使用平均精度（AP）指标进行评估，如果预测与其GT之间的腔室距离在0.5、1.0和1.5米的阈值范围内，则预测被视为TP。

nuScenes上的结果 。我们在表1中报告了nuScenes秋季集的定量结果。在相机模式下，PriorMapNet超越了之前的SOTA方法，与我们的基线MapTRv2相比，mAP提高了6.2%。在一个RTX 4090 GPU上，PriorMapNet的推断速度为每秒13.9帧（FPS）。此外，在相机和激光雷达融合模式下，PriorMapNet达到72.9%的mAP和7.5 FPS，展现出强大的泛化能力。定性结果如图6所示，进一步说明PriorMapNet取得了改进的结果。补充材料中显示了更多定性结果。

Argoverse 2上的结果 。我们在表2中报告了Argoverse 2 val集的定量结果。Argoverse 2提供3D地图注释，允许对2D和3D地图元素进行预测。PriorMapNet在两个维度上都超越了之前的SOTA方法，2D地图元素的mAP为72.0%，3D地图元素的mAP为69.9%，推理速度为12.6 FPS。实验结果证明了我们方法的可推广性。

扩大BEV范围的结果 。我们在nuScenes验证集上对扩大的BEV范围进行模型训练和评估，如表3所示。BEV网格的尺寸保持在[0.3m，0.3m]。为了验证我们方法的鲁棒性，我们相应地增加了地图元素的先验聚类和位置范围。其他设置与原始模型保持一致。实验结果表明，PriorMapNet在扩大BEV范围方面保持了优势。值得注意的是，在100×50m的范围内，我们的方法形成了SOTA方法SQD MapNet，该方法集成了stream策略。

本文引入PriorMapNet，利用先验知识增强在线矢量化高精地图构建。为了解决不稳定匹配的问题，我们提出了PPS解码器，该解码器提供了从数据集中预先聚类的位置和结构参考点。为了有效地嵌入边界元特征，我们提出了PF编码器，该编码器利用边界元特征先验增强图像到边界元的转换，并利用判别损失来改善映射元素嵌入的聚合。为了降低计算复杂度，我们提出了DMD交叉注意，它分别沿多尺度和多样本执行交叉注意力。我们提出的PriorMapNet在nuScenes和Argoverse2数据集上实现了最先进的性能。局限性和未来的工作。尽管我们开发了在线矢量化高精地图构建，但在未来的工作中需要解决几个局限性。首先，我们的地图元素先验只包含位置信息，缺乏语义信息，这限制了查询的交互和优化。其次，我们的方法仅依赖于单帧传感器输入，构建时间和空间连续地图元素的表示。