高精地图构建是自动驾驶系统中的关键技术之一, 旨在从多源传感器数据中提取并组织高精度的道路结构信息, 如车道线、道路边界、人行横道及交通标志等, 并以结构化形式进行表示和存储.当今端到端的驾驶框架, 如Jiang等提出的VAD(Vectorized Scene Representation for Efficient Autonomous Dri-ving)^[5]和VADv2^[6]、Hu等^[7]提出的UniAD(Unified Autonomous Driving), 都已被广泛采用.在感知模块中, 在线地图构建是实现准确感知和规划不可或缺的组件之一.

近年来, 随着深度学习和多传感器融合技术的发展, 高精地图构建方法逐渐由传统的离线测绘方式向在线、实时构建方向发展, 使系统能在复杂动态环境中持续更新地图信息, 并进一步提升自动驾驶系统的环境理解能力与决策可靠性.Li等^[8]提出BEVDepth, 利用Transformer、时间建模或自回归点预测, 将BEV构建重新定义为向量化输出, 但仅依赖车载传感器, 在图像存在噪声或观测缺失、遮挡的情况下, 可能会导致地图不完整或不准确.Liu等^[9]提出VectorMapNet, 引入首个端到端的流程, 通过自回归点预测生成矢量化地图.

Liao等^[1]提出MapTR, 通过一个类似DETR(Detection Transformers)^[10]的端到端方法, 进一步推动该领域的发展, 可用于点级地图元素的建模.后来, Liao等^[2]又提出MapTRv2, 通过置换等价建模和增强的查询解码扩展MapTR.后来, Qiao等^[11]提出BeMapNet(Piecewise Bé zier HD-Map Network), 采用贝塞尔曲线构建矢量图.Yuan等^[12]提出Stream-MapNet, 融合长时间序列信息.Chen等^[13]提出Map-Tracker, 强调时间一致性建模.其它创新工作包括MapQR^[14]及PriorMapNet^[15].此外, Zhang等^[16]对自动驾驶高精地图构建方法进行系统性综述, 总结不同范式与技术路线的发展趋势.

常见的先验地图类型包含导航地图及预先构建的高精地图等.导航地图包含主干道路的空间信息和拓扑信息, 对自动驾驶具有重要价值.已有一些研究探索融合语义地图以预测地图元素.Luo等^[17]提出SMERF(SD Map Encoder Representations from Trans- former), 在BEV空间中融合语义地图和传感器数据, 利用交叉注意力机制获得车道拓扑预测信息.Jiang等^[18]提出P-MapNet, 采用掩码自编码器学习高精地图的结构先验分布, 并作为细化模块, 优化初始预测结果, 缓解遮挡和伪影带来的影响.Gao等^[19]提出SatforHDMap, 利用额外的先验知识, 如卫星数据.然而, 大多数研究依赖基于栅格的高精度地图表示, 并不总是便于后续任务处理, 且难以与主流的基于矢量化的方法进行对比.此外, 仅有导航地图信息的高精地图表示并不能较好地应对更精细的矢量图检测, 无法满足时序一致性要求.

近年来, 也有研究开始利用历史地图或已有高精地图作为先验信息, 提升在线矢量地图构建性能.Sun等^[20]提出MapEX, 将已有地图元素编码为查询词元, 并改进基于查询的匹配机制, 能在存在噪声或过时地图的情况下实现鲁棒的地图构建.Zhang等^[21]提出HRMapNet, 构建全局历史栅格地图, 并在在线感知阶段检索局部地图作为先验, 通过 BEV特征聚合模块和查询初始化模块分别增强特征表达和目标搜索能力, 提升矢量地图预测精度.Xiang等^[22]提出NMP(Neural Map Prior), 从全局记忆角度出发, 构建跨时序的全局 BEV 地图或云端地图缓存, 为当前帧提供长期空间上下文, 缓解单帧感知在遮挡和远距区域上的不稳定问题.但是, 高精地图可能占用额外存储, 且容易过时, 不具备实时性, 还需要相邻帧的实时检测结果加强建图的局部几何精度与对动态环境的适应能力.

时序信息对于缓解遮挡问题、提升远距区域稳定性及保证地图元素的一致性具有重要作用.早期研究多在BEV特征层面引入时序建模.Li等^[23]提出BEVFormer, 通过历史 BEV 特征的时序自注意力机制, 在BEV空间显式聚合跨帧信息, 提升多视角感知的时序稳定性.此方法为后续在线矢量建图提供重要的时序建模范式, 但其时序信息主要停留在编码器层面, 未直接建模矢量实例的一致性.

在矢量化高精地图构建领域, Yuan等^[12]提出StreamMapNet, 首次将流思想引入在线建图方法, 融合历史 BEV 特征与查询特征, 实现跨帧信息传递, 并设计多点注意力机制, 较好地处理细长地图元素, 实现从单帧建图向时序建图的扩展.在此基础上.Wang等^[24]提出SQD-MapNet, 引入流查询去噪策略, 重建带噪历史查询, 学习时序一致性, 进一步提升时序鲁棒性.

一些工作开始从实例关联和长期记忆角度建模时序一致性.Chen等^[13]提出MapTracker, 将在线建图显式建模为跟踪问题, 通过跨帧关联历史向量, 并结合步长记忆选择机制, 实现更稳定的矢量元素重建和更强的一致性约束.

但是, 现有方法仍普遍存在如下局限.一方面, 大多数方法侧重历史感知信息的传播, 未能有效实现时序信息与低质量地图先验的深度交互; 另一方面, 融合地图先验的方法普遍采用栅格化的表示, 缺少更精细的时序检测与监督方式以处理困难样本, 如大范围急转的矢量道路元素.因此, 如何在融合多源地图先验的同时, 引入更加细粒度的时序建模与结构约束机制, 提升在线矢量化高精地图构建的准确性与鲁棒性, 仍是值得进一步研究的重要方向.

本文构建基于卷积神经网络(Convolutional Neural Network, CNN)的导航地图编码器, 提取导航地图特征, 然后利用Transformer层网络, 构建一个基于注意力机制的导航地图融合模块.

2.1.1 导航地图数据预处理

鉴于nuScenes等公开数据集和实车测试环境普遍缺失导航地图数据, 本文采用OSM(OpenStreetMap)^[25]作为数据源, 获取免费且可编辑的全球导航地图信息.OSM包含自动驾驶中的各种道路元素, 在nuScenes、Argoverse2数据集对应的地理位置中收集道路结构信息, 并栅格化为掩码形式.在已知车辆的自位姿和方向的情况下, 车辆位置表示为矩阵形式:

T=[R, t],

其中, R表示车辆在世界坐标系下航向姿态的旋转矩阵, t表示车辆在世界坐标系下的平移向量.

QPMap裁剪导航地图对应位置区域, 并进行编码以适应BEV特征的形状, 相应导航地图特征F_SD∈ R^1×H×W, 其中H、W表示BEV网格的高度和宽度.QPMap使用0和1表示裁剪后的栅格化地图.

导航地图预处理的直观示例如图2所示.

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 基于QPMap的校园场景中导航地图的构建与表示方式Fig.2 Construction and representation of SD maps in a campus scenario using QPMap

图2中可看到, 两幅图像为在自制数据集上提取导航地图特征, (b)中道路被抽象为线条, 并转化为掩码特征.显然, 导航图像具有全面的道路信息, 但可能存在误差.

2.1.2 导航地图融合模块

由于导航地图中的定位数据不准确、GPS信号不准确或车辆快速移动, 导航地图数据与公开数据集地面真实的高精度地图标注数据存在明显差异, 两个特征将不可避免地无法准确对齐.为了解决这一问题, 本文设计导航地图融合模块, 利用交叉注意力机制实现导航地图特征与BEV特征的自适应空间对齐.

首先, 导航地图特征F_SD经过卷积层处理以对齐BEV特征通道.其次, BEV特征和导航地图特征被下采样, 生成相应小尺度BEV特征F_bev∈ RCs×Hs×Ws和小尺度导航地图特征F_sd∈ RCs×Hs×Ws, 其中, C表示通道数, s表示下采样倍数.同时选择使用DETR中采用的正弦位置编码, 采用多头交叉注意力增强特征.

具体而言, 处理导航地图特征和BEV特征的Transformer层每层都包含一个自注意力(Self-Attention, SA)模块和一个交叉注意力(Cross-Attention, CA)模块.

BEV特征先经过自注意力处理, 再进行层归一化.由于导航地图编码已感知范围之外的先验信息, 在CA模块中查询BEV特征, 即将图特征视为查询Q, 将视觉特征视为键K和值V, 实现超视距的注意力.直观上, 这使得BEV特征注意力聚焦于导航地图强调的高亮先验区域, 并补充BEV编码较弱或被遮挡的区域.

小尺度BEV特征F_bev通过多头注意力计算如下:

$\widetilde{\boldsymbol{Q}}=S A\left(\boldsymbol{Q}_{\mathrm{bev}, p}, \boldsymbol{Q}_{\mathrm{bev}, p}, \boldsymbol{Q}_{\mathrm{bev}}\right), $

$\widetilde{\boldsymbol{Q}}_{\mathrm{bev}}= { Layernorm }\left(\boldsymbol{Q}_{\mathrm{bev}}+ { Dropout }(\widetilde{\boldsymbol{Q}})\right), $

$\boldsymbol{Q}=C A\left(\boldsymbol{Q}_{\mathrm{sd}, p}, \widetilde{\boldsymbol{Q}}_{\mathrm{bev}, p}, \widetilde{\boldsymbol{Q}}_{\mathrm{bev}}\right), $

$\boldsymbol{Q}_{\mathrm{bev}}= {Layernorm}\left(\widetilde{\boldsymbol{Q}}_{\mathrm{bev}}+ {Dropout}(\boldsymbol{Q})\right), $

其中, Q˜表示自注意力模块输出的中间特征序列, Q_{bev, p}表示从下采样的BEV特征经重塑(Shape)后生成的查询向量, Q_bev表示更新后的BEV特征查询向量, Q˜bev表示经过残差连接与层归一化处理后的中间BEV特征, Q表示交叉注意力模块输出的融合特征, Q_{sd, p}表示从添加位置嵌入的导航地图特征中提取的查询向量, SA(·)表示自注意力模块, CA(·)表示交叉注意力模块, Layernorm(·)表示层归一化操作, Dropout(·)表示随机失活函数.

最后, 注意力模块输出的序列特征被重塑回原BEV特征的维度空间, 并通过上采样模块, 得到增强的BEV特征 F˜BEV∈ R^C×H×W.

多视图图像序列可用于提取图像特征.在实际实验中, 本文采用Lift-Splat-Shoot(LSS)^[26]作为BEV特征提取器.该方法具有较低的显存开销, 并具备良好的模块化特性, 便于在不同模型中进行集成与应用.BEV编码器将传感器数据转换为统一的BEV特征F_BEV∈ R^C×H×W.考虑到纵向范围比横向范围更广, 设置H=2W.同时使用ResNet50^[27]作为图像主干网络, 该网络与主流视图转换方法具有良好的兼容性.

2.3.1 实例查询编码

地图实例的预测采用基于DETR的查询-解码流程.设实例向量查询数量为N, 每个实例使用一条查询表示.每条查询由内容嵌入与参考点两部分构成, 且参考点按点级进行初始化与迭代更新.

内容嵌入方面仅使用实例级表示, 不引入逐点内容嵌入.记嵌入维度为d, 则内容嵌入Q_c∈ R^B×N×d, 其中B表示训练时的批量大小.

参考点方面使用点级表示, 每条实例对应一段折线以保留上帧点集位置信息, 使用N^p个有序点表示.参考点采用点级表示:每个点具有独立的归一化坐标.设单点坐标为 c 维, 参考点$\boldsymbol{R} \in \mathbf{R}^{B \times\left(N \cdot N^{p}\right) \times c}$.

当使用上一帧预测作为先验时, 对当前帧的查询进行两处时序先验的写入.

1)内容先验.如果当前帧存在上一帧的检测结果, 设上一帧保留的K个实例的类别索引l_k∈ {1, 2, …, C_cls}, 其中C_cls 表示地图元素类别数.置信度s_k∈ [0, 1](k=1, 2, …, K).通过查表得到类别嵌入:

h_{lab, k}=E_lab(l_k)∈ R^d,

其中, E_lab∈ RCcls×d表示可学习的类别嵌入矩阵, E_lab(l_k)表示根据类别索引l_k从E_lab中查表获取对应的嵌入向量.置信度嵌入由标量经MLP映射至d维, 即

h_{sco, k}=LP_sco(s_k)∈ R^d,

其中LP_sco(·)表示可学习的线性映射.将二者相加, 得到上一帧实例的内容表示:

h_{prev, k}=h_{lab, k}+h_{sco, k}.

将其写入当前帧实例查询的前K个位置, 作为初始化的实例内容:

Q_c[:, 1:K, :]← H_prev∈ R^B×K×d,

即当前帧的前K条实例查询采用“ 类别语义+置信度” 的形式进行编码和初始化, 便于延续上一帧的预测结果, 其中, H_prev表示将上一帧保留的K个实例的内容表示h_{prev, k}沿实例维度拼接后, 构成全局历史内容先验张量.

2)参考点先验.如果当前帧存在上一帧的检测结果, 可将上一帧的向量参考点从全局坐标系变换到当前车体坐标系并归一化至[0, 1]区间, 得到在当前坐标系下上一帧的参考点先验:

R_prev=g_norm(Tego-1R_global)∈ RB×(K·Np)×c,

其中, T_ego表示全局到当前车体的变换, R_global表示上一帧检测的向量参考点在全局坐标系下的坐标, g_norm(·)表示按感知范围将坐标归一化至[0, 1]区间.写入参考点张量的前K· N^p个点, 即前K个实例的参考点:

R[:, 1:(K· N^p), :]← R_prev.

到此, 前帧的内容信息与几何信息均以时序先验的方式共同作用于初始化多尺度解码器的查询向量, 保证跨帧一致性与更快收敛.

当不存在前序帧的检测结果时, 实例查询通过随机嵌入进行初始化, 相应的初始参考点则由随机嵌入经过参考点回归层生成, 并直接进入后续的栅格高精地图初始化模块.该模块在内容特征层面引入实例级先验信息, 在参考点层面采用点级注入方式, 从而在保证实例级先验信息有效引入的同时, 降低后续解码阶段的显存开销.

2.3.2 栅格高精地图初始化模块

高精地图先验用于增强BEV特征表示与实例查询的初始化过程.栅格高精地图初始化模块利用历史检测结果持续更新, 并构建云端全局高精地图, 建图过程采用基于预测元素置信度叠加的方式进行更新^[21].

具体而言, 为了整合历史观测并支持在线感知, QPMap维护一幅全局栅格化地图M^g.通过当前自车位姿T_i=[R_i, t_i]将局部格点p变换到全局坐标并取整, 转换后对应的全局离散坐标为:

p^g=round(R_i p+t_i),

其中, R_i、t_i分别表示第 i 帧当前自车位姿对应的相对旋转矩阵与平移向量, round(·)表示取整函数, 用于将变换后的连续坐标转换为栅格地图中的离散索引.

全局地图按置信度更新.若局部格点p处有该类别元素, 对应全局格点M^g(p^g)置信度增加S, 否则减少S, 从而累积多帧观测, 其中S表示单次观测更新时预设的置信度增减量.在线查询当前位置栅格地图时, 从M^g中按当前车体范围截取局部图, 得到当前帧的归一化局部地图并输入M^l, 供地图融合与查询初始化使用.

1)地图与BEV特征的融合.设当前帧BEV特征 F˜BEV, b∈ R^B×H×W×C, 高精地图在相同网格上的多通道语义图像M∈ RB×H×W×Ccls.在通道维度拼接后经CNN融合, 相应BEV特征为:

$\boldsymbol{F}_{\mathrm{FUSE}}= {Conv}\left(\widetilde{\boldsymbol{F}}_{\mathrm{BEV}, b} \oplus \boldsymbol{M}\right) \in \mathbf{R}^{B \times H \times W \times C}$

其中, $ \oplus$表示按通道维度拼接, Conv(·)表示卷积操作.F_FUSE作为解码器的键K和值V, 使网络在预测时能充分融合地图的几何与语义先验信息.

2)地图的查询初始化.查询在送入解码器前, 使用高精地图对实例内容嵌入进行一次地图条件化处理, 筛选有效的局部栅格地图位置.将M与BEV位置编码下采样至H'×W'(H'=H/s, W'=W/s, s表示下采样倍数), 得到网格特征M'∈ RB×H'×W'×Ccls与位置编码P_grid∈ R^B×H'×W'×C.

对通道维度取最大值, 得到有效性掩码, 大于阈值τ 的格点视为有效.在有效格点集合Ω 上构造地图侧Q矩阵, 则在第j个有效格点处生成的地图查询特征向量:

q_j=P_{grid, j}+W_mapm_j, j∈ Ω .

其中:P_{grid, j}∈ R^d表示该格点在BEV特征下的位置编码; W_map∈ Rd×Ccls表示可学习的线性层, 将地图语义映射至C维; m_j∈ RCcls表示格点j处的地图多通道语义, 即C_cls类地图元素的取值.

以当前实例内容嵌入 Qc(i)∈ R^N×C为Q矩阵, 再进行一次多头交叉注意力计算, 融合局部栅格地图先验后, 得到更新后的实例内容嵌入表示:

Q˜c(i)=MultiHeadAttn(Qc(i), {q_j}, {q_j})∈ R^N×C,

其中MultiHeadAttn(·)表示多头注意力计算函数.

若该样本无有效地图格点, 保持 Qc(i)不变.更新后的 Q˜ c(i)再与导航地图和栅格化高精地图增强后的BEV特征一起送入解码器.因此, 实例查询在解码前已融合高精地图的语义信息与位置信息, 实现地图引导的查询初始化.

受CBAM(Convolutional Block Attention Mo-dule)^[28]和基于多尺度空间自适应注意力网络(Multi-scale Spatial Adaptive Attention Network, MS-AAN)^[29]的启发, 本文进一步设计一个轻量级颈部结构网络, 采用通道注意力和空间注意力, 将BEV特征细化成多尺度BEV特征, 旨在同时捕捉局部语义信息和全局语义信息, 提高细小矢量地图的检测精度.QPMap采用带通道-空间双注意力的残差块逐级提炼特征.

设第 i 层输入特征F_i∈ R^C×H×W, 先经通道注意力调制, 再经空间注意力调制并叠加残差连接后, 第i层的最终输出特征为:

F″_i=M_s(F'_i)☉F'_i+F_i.

其中:

F'_i=M_c(F_i)☉F_i,

表示经过通道注意力调制后得到的中间特征; M_c(·)表示通道注意力, 对空间维度进行池化与映射后, 输出与输入通道数一致的注意力权重向量; ☉表示逐元素相乘; M_s(·)表示空间注意力, 对通道维度聚合后经卷积得到空间权重.

骨干网络堆叠若干此类摸块并逐步下采样, 得到多分辨率特征:

$ \widetilde{\boldsymbol{F}}_{\text {FUSE }}=\left\{\boldsymbol{F}_{\text {FUSE }}^{s}\right\}_{s=1}^{S}, $

其中 FFUSEs表示多尺度BEV特征.

在地图解码器部分, MapTRv2采用显式点查询并通过自注意力进行建模, 但该设计在内存占用和计算效率方面存在不足.

为此, 本文采用实例级分散-聚合解码器结构, 通过实例查询的方式隐式编码对于点级的查询, 并参考Conditional DETR^[30]的方式嵌入查询位置信息.考虑到本文使用多尺度BEV特征$\left\{\boldsymbol{F}_{\text {FUSE }}^{s}\right\}_{s=1}^{S}$, 解码器中的跨注意力由可变形交叉注意力进一步扩展为多尺度可变形交叉注意力, 同时保持分解-聚合的查询设计.具体而言, 实例查询 qinsi先通过自注意力完成信息交互, 再复制得到散射查询, 作为跨注意力输入, 并在该过程中融合带有位置信息的点级查询, 实现对BEV特征的精细采样.

在位置嵌入设计方面, 由于每个实例查询在自注意力计算后会被散射为 n 个查询, 本文为每个散射查询分配不同的位置编码以保留空间差异性.第 j 个分散查询的位置嵌入P_{i, j}定义如下:

P_{i, j}=MLP(PE(R_{i, j}))∈ R^D,

其中, MLP(·)表示可学习线性映射, PE(·)表示正弦位置编码函数, R_{i, j}表示参考点, D表示嵌入维度.位置编码算子表示如下:

PE(R_{i, j})=concat(PE(x_{i, j}), PE(y_{i, j})),

其中, concat(·)表示特征通道维度的拼接操作, x_{i, j}、y_{i, j}分别表示参考点R_{i, j}在二维空间中的横、纵坐标.

综上所述, 第i个实例查询在分散-聚合机制下的整体计算过程可表示如下:

${gtr}\left(C A\left({str}\left(S A\left(\boldsymbol{q}_{i}^{\mathrm{ins}}\right)\right)+\left\{\boldsymbol{P}_{i, j}\right\}_{j=1}^{n}, \widetilde{\boldsymbol{F}}_{\mathrm{FUSE}}\right)\right) .$

具体而言, 分散(str)操作将实例查询复制 n 次以建模每个地图元素的 n 个点; 而聚合(gtr)操作通过特征拼接与多层感知机(Multi-layer Perceptron, MLP)将这些点级特征重新聚合为实例级表示, 即

str(f)={f, f, …, f}_n,

${gtr}\left(\left\{\boldsymbol{f}_{j}\right\}_{j=1}^{n}\right)={MLP}\left({concat}\left(\left\{\boldsymbol{f}_{j}\right\}_{j=1}^{n}\right)\right), $

其中, f表示初始的实例级查询特征向量, n表示实例查询被复制的次数, 即每个地图元素包含的点数, f_j表示更新后第j个点级特征表示, MLP(·)表示多层感知机, concat(·)表示特征拼接操作.

2.5.1 基础损失函数

QPMap在训练阶段采用分层二分图匹配策略进行监督.整体损失函数沿用MapTRv2设计, 由一对一匹配损失、一对多匹配损失及辅助稠密监督损失三部分组成.

L_one2one表示基于匈牙利匹配的一对一集合预测损失, 用于保证预测实例与真实标注之间的唯一对应关系.该部分由3项子损失构成:类别分类损失、点集回归损失及边方向损失, 分别用于约束实例语义、几何形状和拓扑方向信息.

L_one2many 表示一对多集合预测损失, 用于辅助监督以增加正样本比例并加速模型收敛.该分支通过放宽匹配约束, 使多个预测查询能匹配同个真实实例, 提升训练稳定性与召回能力.

辅助稠密监督损失L_dense 进一步增强几何与语义表征能力, 由深度预测损失L_depth、鸟瞰图BEV分割损失L_BEVSeg和透视图PV分割损失L_PVSeg加权组成:

L_dense=α_dL_depth+α_bL_BEVSeg+α_pL_PVSeg,

其中, α_d、α_b、α_p表示平衡系数, 实验中分别取

α_d=3, α_b=2, α_p=1.

L_depth用于提供几何深度监督, L_BEVSeg、L_PVSeg 分别从鸟瞰图视角和透视图视角提供前景分割约束, 从而引导方法学习更具有判别性的空间表征.

最终获得基础损失函数:

L=β_oL_one2one+β_mL_one2many+β_dL_dense,

其中, β_o、β_m、β_d表示各分支的权重系数, 并与MapTRv2设置保持一致, 分别取

β_o=1, β_m=1, β_d=1.

2.5.2 方向向量损失函数

为了约束预测折线的方向一致性, 在预测的矢量线段集$\left\{\boldsymbol{V}_{i, j}^{\text {pre }}\right\}_{i=0, j=0}^{N_{i}, N_{p}-1}$与真实的矢量线段集$\left\{\boldsymbol{V}_{i, j}^{\mathrm{gt}}\right\} \begin{array}{l} N_{i}, N_{p}-1 \\ i=0, j=0 \end{array}$之间引入方向向量监督, 对应点序列分别为$\left\{\boldsymbol{P}_{i, j}^{\text {pre }}\right\}_{i=0, j=0}^{N_{i}, N_{p}}$与$\left\{\boldsymbol{P}_{i, j}^{\mathrm{gt}}\right\} \begin{array}{l} N_{i}, N_{p} \\ i=0, j=0 \end{array}$, 其中, N_i表示匹配实例点数, N_p表示每个实例包含的采样点数, V_{i, j}表示在第i个实例中, 由相邻点构成的第j条有向线段.

首先计算预测向量的方向余弦:

cos θi, jpre=sum(Vi, jpre☉Vi, jgt)Vprei, j2Vi, jgt2,

其中, sum(·)表示对向量元素求和, ·2表示向量的L2范数, ☉表示逐元素相乘.

为了根据真实几何变化自适应调节各点权重, 计算真实向量的角度变化:

cos θi, jgt=sum(Vi, j-1gt☉Vi, jgt)norm(Vi, j-1gt)·norm(Vi, jgt),

j=1, 2, …, N_p-1.

据此定义曲率量:

C_{i, j}=1-cos θi, jgt.

进一步地, 为了引入几何尺度信息, 定义向量长度 l_{i, j}=|Vgti, j|并进行实例内归一化, 得到 l̂i, j, 综合弯曲程度与向量尺度, 则网络中第i个实例中第j条线段的权重系数:

Wveci, j=(1+λcCi, j)γ(l̂i, j)λl,

j=1, 2, …, N_p-1,

其中, λ_c表示曲率放大系数, γ 控制曲率响应的非线性强度, λ_l表示长度权重指数.

当相邻点之间出现显著方向变化或线段长度较大时, 相应位置被赋予更大的监督权重, 从而引导方法更关注拓扑变化明显且具有重要几何意义的区域.

为了提高实例内部权重分配的有效性, 本文仅对除首点之外的各点方向进行监督.

最终, 方向向量损失函数定义如下:

E=∑i=0Ni∑j=1Np-1(1-cos θi, jpre)· Wi, jvec.

2.5.3 整体损失函数

总损失函数由基础损失函数和方向向量损失函数组合而成:

L_All=L+αE,

其中α 表示权重系数超参数.

本文选择在如下两个公开数据集上进行实验.1)nuScenes数据集^[3].包含来自波士顿和新加坡的1 000段城市驾驶序列, 采样频率为2 Hz, 覆盖多种复杂交通场景, 并提供完整的多模态传感器数据, 包括六路环视相机、一个激光雷达及定位信息.2)Argoverse2数据集^[4].包含1 000段多模态驾驶序列, 采样频率为10 Hz, 提供七路环视相机、双目相机、激光雷达及定位信息, 并支持三维点序列标注.

为了进一步验证QPMap在真实环境中的有效性, 同时探索不同相机模型条件下的性能, 在真实环境中采集并构建鱼眼相机数据集, 评估方法在更复杂成像条件下的泛化性与适应性.该数据集共收集9 282帧四路鱼眼环视图像及对应定位信息, 包括位姿与航向角, 按照9:1的比例划分训练集与验证集.数据采集平台为1辆商业车辆, 搭载4个鱼眼相机(前、后、左、右)及基于GNSS(Global Navigation Satellite System)的定位系统, 整体配置如图3所示.

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 实车平台与传感器配置示意图Fig.3 Schematic diagram of real-vehicle platform and sensor configuration

导航地图数据来源于OSM, 高精地图真值则基于激光雷达点云通过SLAM(Simultaneous Localiza-tion and Mapping)构建, 并利用RoadRunner(Math-Works)在全局点云上对车道分隔线、道路边界及人行横道等地图要素进行人工标注.为了简化建模过程, 本文将真实场景近似为二维平面进行处理, 利用UTM坐标系对齐.

由于上述3个数据集都未直接提供标准导航地图, 本文从OSM获取对应区域的导航地图数据, 并针对nuScenes数据集上存在的坐标系偏移问题, 利用GPS信息进行粗对齐校正, 保证导航地图能有效融入QPMap.

所有实验均在两张NVIDIA RTX 3090 GPU上进行训练, 训练批量大小设为 4, 训练轮数设为24或110.优化器采用AdamW(Adaptive Moment Esti-mation with Weight Decay), 权重衰减系数设为5×10^-3, 初始学习率设为3×10^-4, 并使用余弦退火策略进行学习率调整.为了保证公平对比, 主干网络统一采用ResNet50.

在特征表示方面, 本文使用s(s=4)层BEV多尺度特征, 并按照MapTRv2设置各项损失权重.为了简化实现, BEV编码器采用基于相机的LSS结构, BEV网格和栅格高精地图范围为60 m×30 m, 分辨率为0.3 m, 任务预测聚焦BEV网格的内部道路分隔线、道路边沿线和人行横道线这3种矢量元素.在网络结构设置上, 导航地图增强模块包含N₁(N₁=2)个 Transformer层, 多尺度解码器包含N₂(N₂=6)个Transformer层.使用K(K=60)个前帧先验初始化一对一匹配预测和一对多匹配预测, 地图条件阈值τ =0.85.对于损失函数, α =0.1, λ_c=γ =2.0, λ_l=0.5.在整个实验过程中, 没有预先利用数据集进行离线建图或存储地图信息; 在测试阶段, 仅在测试集上进行一次评测, 使预测与建图过程同时进行:上述处理方式可避免由于预先建图带来的不公平对比.

基于自采数据集的鱼眼相机模型, 本文对于LSS中的视锥体点云生成与变换过程进行相应设计修改.传统LSS基于针孔相机模型, 直接将像素坐标反投影至三维空间.在鱼眼相机条件下, 将鱼眼畸变模型融入视锥网格的构建过程中, 通过离散深度生成三维视锥点时, 同步完成映射坐标的畸变矫正^[31].后续处理流程与上述点云投影过程保持一致.

本文采用如下评估指标:平均精度均值(mean Average Precision, mAP)、道路边界线AP_bou、道路分隔线AP_div、人行横道线AP_ped.此外还利用帧率评估实时性, 所有实验的实时帧率均在NVIDIA RTX 3090上测试.

3.2.1 公开数据集上实验结果

本文选择如下对比方法:MapTR^[1]、Map-TRv2^[2]、StreamMapNet^[12]、MapQR^[14]、PriorMapNet^[15]、HRMapNet^[21]、PivotNet^[32]、MapVR(Map Vectoriza-tion via Rasterization)^[33]、MGMap^[34]、Mask2Map^[35].

各方法在nuScenes数据集上的指标值对比如表1所示, 表中黑体数字表示最优值.由表可见, 相比当前主流方法, QPMap取得最高的mAP值.在相同主干网络与训练轮数设置下, QPMap对各类地图元素的预测性能均得到提升, 在24个和110个训练周期时分别达到72.3%和76.8%的mAP值.随着训练周期上升, QPMap始终表现出良好的收敛性与性能上限.

表1

Table 1

表1(Table 1)

表1 各方法在nuScenes 数据集上的指标值 Table 1 Metric values of different methods on nuScenes dataset 方法 训练周期 APdiv/% APped/% APbou/% mAP/% 帧率/帧/秒 PivotNet 24 56.5 56.2 60.1 57.6 16.3 MapTR 24 110 51.5 59.8 46.3 56.2 53.1 60.1 50.3 58.7 16.8 MapVR 24 110 54.4 61.8 47.7 55.0 51.4 59.4 51.2 58.8 17.4 MapTRv2 24 110 62.4 68.3 59.8 68.1 62.4 69.7 61.5 68.7 14.0 StreamMapNet 24 64.1 58.2 59.4 60.6 13.2 MGMap 24 110 65.0 67.6 61.8 64.4 67.5 67.7 64.8 66.5 12.9 MapQR 24 110 68.0 74.4 63.4 70.1 67.7 73.2 66.4 72.6 12.7 PriorMapNet 24 110 69.0 73.2 64.0 71.5 68.2 73.3 67.1 72.7 12.9 HRMapNet 24 110 67.4 72.7 65.6 72.2 68.5 75.7 67.2 73.5 12.1 Mask2Map 24 110 71.3 73.1 70.6 73.6 72.9 77.3 71.6 74.6 9.7 QPMap 24 110 74.6 78.9 69.5 73.8 72.9 77.6 72.3 76.8 11.9

表1 各方法在nuScenes 数据集上的指标值 Table 1 Metric values of different methods on nuScenes dataset

尽管引入导航地图增强模块、栅格高精地图增强模块和多尺度解码器, QPMap在NVIDIA RTX 3090上的实时帧率仍可达到11.9 帧/秒, 在精度与效率之间取得良好的平衡.MapQR的推理速度为12.7 帧/秒, 相比之下, QPMap仅带来较小的速度下降.额外的计算开销主要来源于导航地图语义对齐过程及与栅格地图之间的注意力交互过程, 上述模块的设计能显著提升整体地图构建质量, 从而在性能提升与计算开销之间取得较合理的折衷.

此外, 为了进一步验证QPMap在夜间、弱光及遮挡等复杂条件下的感知鲁棒性, 利用nuScenes数据集提供的场景描述信息, 专门筛选构建夜间场景验证子集, 组成nuScenes-Night测试集, 并与Map-TR^[1]、MapTRv2^[2]、MapQR^[14]、HRMapNet^[21]、Map-VR^[33]进行对比实验, 结果如表2所示, 表中黑体数字表示最优值.

表2

Table 2

表2(Table 2)

表2 各方法在nuScenes-Night测试集上的指标值 Table 2 Metric values of different methods on nuScenes-Night test set % 方法 APdiv APped APbou mAP MapTR 38.2 18.5 52.8 36.5 MapVR 39.0 17.8 54.2 37.0 MapTRv2 40.8 21.8 56.1 39.6 MapQR 41.2 23.4 56.7 40.4 HRMapNet 40.5 33.3 58.8 44.2 QPMap 43.5 38.6 62.8 48.3

表2 各方法在nuScenes-Night测试集上的指标值 Table 2 Metric values of different methods on nuScenes-Night test set %

由表2可见, 在视觉特征严重退化的夜间场景中, 纯视觉方法的预测精度出现显著衰减, MapTRv2的mAP值降至39.6%, 同时MapQR的mAP值仅达到40.4%.相比之下, QPMap得益于导航地图与栅格高精地图的双重空间先验补偿, 即使在有效视觉观测受限的情况下, 依然保持48.3%的mAP值.这一结果充分表明导航地图增强模块和栅格高精地图增强模块在极端场景中有效提升系统的容错率.

对于可视化分析, 在nuScenes数据集上选取同时包含较完整栅格高精地图信息与导航地图信息的典型场景进行对比实验, 对比方法包括:SD先验、LM先验、MapTRv2^[2]、MapQR^[14].SD先验对应图4中导航地图特征矩阵可视化, LM先验对应图4中高精地图特征矩阵可视化, 意在展示本文利用的两个地图先验信息的构成方式, 它不同于MapTRv2加上某个模块后形成检测结果的方式.

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 各方法在nuScenes数据集上白天与夜间场景中的可视化结果Fig.4 Visualization results of different methods on nuScenes dataset under daytime and nighttime scenarios

各方法的可视化结果如图4所示.由图可直观观察到, QPMap在高精地图要素预测方面具有更优表现.在引入SD先验后, 车道线等细粒度结构的感知能力得到增强.在绿色高亮区域内可看到, QPMap在人行横道等关键地图元素的预测上性能较优, 被遮挡区域的检测质量得到进一步提升.此外, 在弱光和遮挡条件的夜间场景中, 导航地图先验与栅格高精地图先验能有效弥补视觉信息不足的缺陷, 并通过导航地图增强模块中的交叉注意力机制自动修正导航地图特征与BEV特征之间潜在的地图偏移, 提升整体系统的鲁棒性.当栅格高精地图尚未建立时, 方法能依赖导航地图提供的道路拓扑先验信息; 当两类地图信息同时存在时, SD先验能被协同利用, 进一步提升感知效果.

MapTR^[1]、MapTRv2^[2]、MapQR^[14]、HRMapNet^[21]、MapVR^[33]、QPMap在Argoverse2数据集上的指标值如表3所示, 表中黑体数字表示最优值.该数据集提供的是矢量化三维地图真值, 而直接进行三维点预测比二维任务更具挑战性.和nuScenes数据集不同的是, Argoverse2数据集上数据采样频率为10 Hz, 所以各方法仅采用6轮训练周期.

表3

Table 3

表3(Table 3)

表3 各方法在Argoverse2 数据集上的指标值 Table 3 Metric values of different methods on Argoverse2 dataset 方法 维度 APdiv/% APped/% APbou/% mAP/% MapTR 2 58.7 55.4 59.1 57.8 MapVR 2 54.6 60.0 58.0 57.5 MapTRv2 2 3 72.1 69.1 62.9 59.8 67.1 65.3 67.4 64.7 MapQR 2 3 72.3 71.2 64.3 60.1 68.1 66.2 68.2 65.9 HRMapNet 2 71.4 65.1 68.6 68.3 QPMap 2 3 71.7 69.8 65.6 63.1 70.6 68.9 69.3 67.2

表3 各方法在Argoverse2 数据集上的指标值 Table 3 Metric values of different methods on Argoverse2 dataset

由表3可见, 在采用ResNet50主干网络并训练6个训练周期时, QPMap取得67.2%的mAP值, 优于MapTRv2(64.7%)和MapQR(65.9%).在三维点预测任务中, 在行人与道路边界检测上, QPMap的AP_ped、AP_bou值分别达到63.1%和68.9%, 表明QPMap在复杂场景与三维几何建模方面具有良好的泛化能力.

SD先验、LM先验、MapTRv2^[2]、MapQR^[14]、QPMap在Argoverse2数据集上的可视化结果如图5所示.图中绿色高亮区域表明, 得益于SD先验引入和向量方向的约束, QPMap具有更强的线条元素形状约束, 同时也加强对于多边形元素约束, 这表明QPMap在复杂道路场景中的优秀建模效果.

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 各方法在Argoverse2数据集上不同城市场景中的可视化结果Fig.5 Visualization results of different methods on Argoverse2 dataset under various cities scenarios

3.2.2 自采数据集上实验结果

MapTR^[1]、MapTRv2^[2]、MapQR^[14]、QPMap在自采数据集上的指标值如表4所示.MapTRv2与QPMap的可视化结果如图6所示.由图表可见, 得益于地图先验引入、多尺度BEV感知及地图解码器优化, 相比MapTRv2和MapQR, QPMap的mAP值分别提升11.7%和6.2%, 最终达到82.7%.

表4

Table 4

表4(Table 4)

表4 各方法在自建数据集上的指标值 Table 4 Metric values of different methods on self-made datasets 方法 APdiv/% APped/% APbou/% mAP/% 帧率/帧/秒 MapTR 72.0 52.5 68.0 64.2 19.1 MapTRv2 79.4 59.1 74.3 71.0 16.7 MapQR 83.6 67.1 78.8 76.5 14.9 QPMap 89.4 75.7 82.9 82.7 13.5

表4 各方法在自建数据集上的指标值 Table 4 Metric values of different methods on self-made datasets

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 QPMap和MapTRv2在自建数据集上的可视化结果Fig.6 Visualization results of QPMap and MapTRv2 on self-made datasets

此外, 在推理速度方面, 针对鱼眼相机模型的输入, 由于相机数量的减少, QPMap在相同平台上的实时推理帧率达到13.5 帧/秒, 因此保持一定的实时性能.

同时, QPMap在几何形状保持与边界平滑性方面表现更优, 这主要得益于辅助方向向量损失对向量夹角的有效约束, 有效缓解复杂场景中向量预测抖动或局部不连续的问题, 提升地图要素的几何一致性与结构稳定性.

总之, QPMap在不同相机模型、不同数据集、不同驾驶场景条件下均表现出良好的泛化能力.

在nuScenes数据集上开展消融实验, 系统分析各模块的贡献.对比方法包括:基线方法(MapTRv2与MapQR)及QPMap各部分模块分别组合后的表现.为了进一步探索QPMap不同模块的表现, 分别在基线方法上加上导航地图增强模块和栅格高精地图增强模块, 对比各模块的作用, 共训练24轮.

具体消融实验结果如表5所示, 表中黑体数字表示最优值.由表可见, MapTRv2引入导航地图增强模块, mAP值从61.5%提升至65.1%, 验证导航地图先验对在线矢量建图任务的有效性.MapQR在此基础上引入栅格高精地图增强模块, mAP值进一步提升至68.5%.对于QPMap, 参考点先验提供空间几何锚点, 内容先验维持跨帧语义一致性, 最终引入方向向量损失函数和多尺度解码器, 可达到72.3%的mAP值.结果表明, 本文提出的导航地图增强模块、栅格高精地图增强模块和BEV编码器能在有效处理存在噪声的导航地图的同时, 带来显著的性能提升.

表5

Table 5

表5(Table 5)

表5 各模块的消融实验结果 Table 5 Ablation experiment results of each module % 方法 导航地图 增强模块 栅格高清地图 增强模块 方向向量 损失函数 内容先验 参考点先验 APdiv APped APbou mAP MapTRv2 - ✓ - - - - - - - - 62.4 68.9 59.8 59.9 62.4 66.6 61.5 65.1 MapQR - ✓ ✓ - - ✓ - - - - - - - - - 68.0 69.5 70.4 63.4 63.8 66.1 67.7 68.9 69.1 66.4 67.4 68.5 QPMap ✓ ✓ ✓ ✓ ✓ - ✓ ✓ ✓ ✓ - - - - ✓ - - - ✓ ✓ - - ✓ ✓ ✓ 70.5 71.3 72.5 73.1 74.6 63.0 66.2 68.1 69.0 69.5 69.7 70.1 71.2 71.8 72.9 67.7 69.2 70.6 71.3 72.3

表5 各模块的消融实验结果 Table 5 Ablation experiment results of each module %

总之, 即使在非理想导航地图条件下, 导航地图增强模块与栅格高精地图增强模块的结构设计仍能产生稳定的性能增益, 而相应设计的方向向量损失函数也为方法提供更有效的约束.

为了评估QPMap在工程部署中的资源开销, 进一步统计不同方法在训练阶段的显存占用情况.对比方法包括MapTRv2^[2]与MapQR^[14], 并分别引入导航地图增强模块与栅格高精地图增强模块, 结果如表6所示, 表中黑体数字表示最优值.

表6

Table 6

表6(Table 6)

表6 各模块的单卡显存峰值占用与精度对比 Table 6 Comparison of peak memory usage and mAP of each module on a single GPU 方法 导航地图增强模块 栅格高精地图增强模块 BEV编码器 峰值显存/MB mAP/% MapTRv2 - ✓ ✓ - - ✓ - - - 18326 21420 OOM 61.5 65.1 - MapQR - ✓ ✓ ✓ - - ✓ ✓ - - - ✓ 13480 15319 17390 18910 66.4 67.4 68.1 68.5 QPMap ✓ ✓ ✓ - ✓ ✓ - - ✓ 15820 17710 19966 69.1 71.5 72.3

表6 各模块的单卡显存峰值占用与精度对比 Table 6 Comparison of peak memory usage and mAP of each module on a single GPU

所有实验均在相同硬件与训练配置下进行, 批量大小统一设为4, 训练精度设为32位单精度浮点数(FP32), 并记录NVIDIA RTX 3090训练过程中峰值显存.

由表6可见, 引入导航地图增强模块和栅格高精地图增强模块会带来一定的显存开销, 主要归因于高精地图和导航地图先验的特征编码、地图特征与感知特征融合时的交叉注意力计算, 以及用于保持时序一致性的历史查询缓存.MapTRv2采用实例层与点层两级自注意力结构, 显存占用本身较高, 当引入过多先验信息时容易在训练阶段产生显存不足(Out of Memory, OOM)的问题, 需要通过减小批量大小保证训练正常进行.相比之下, MapQR由于采用实例级编码, 虽然能融合两类先验特征, 但无法引入前序列帧参考点先验, 因此整体预测精度仍低于QPMap.进一步地, 本文采用模块化设计, 使导航地图增强模块与栅格高精地图增强模块能按需启用, 从而在不同算力预算下实现性能与资源消耗之间的灵活权衡.QPMap在引入多种先验信息的情况下, 显存开销仅小幅增加, 仍可保持正常训练, 这为后续车端部署与模型轻量化提供条件.

此外, 为了评估损失函数中方向向量损失函数比例α 对mAP指标的影响, 对多个α 取值进行实验, 寻找较优的损失权重配置.定义α =0.02, 0.05, 0.10, 0.20, 其对QPMap性能的影响如表7所示, 表中黑体数字表示最优值.由表可见, α =0.10时对QPMap性能提升效果最优, 这是因为取值太小对方法约束不足, 取值过大可能干扰基础损失函数的监督和方法本身的收敛.

表7

Table 7

表7(Table 7)

表7 α 对QPMap性能的影响 Table 7 Effect of α on QPMap performance α APdiv/% APped/% APbou/% mAP/% 0.02 73.0 69.0 72.1 71.4 0.05 73.9 69.1 71.9 71.6 0.1 74.6 69.5 72.9 72.3 0.2 74.2 68.9 72.9 72.0

表7 α 对QPMap性能的影响 Table 7 Effect of α on QPMap performance

最后, 考虑到实际自动驾驶场景中常见的GPS定位误差, 进一步测试QPMap在nuScenes测试集上针对不同程度导航地图位置扰动的鲁棒性, 结果如表8所示, 表中第1列分别表示平移漂移和航向角漂移随机噪声均值, 黑体数字表示最优值.

表8

Table 8

表8(Table 8)

表8 定位误差对QPMap性能的影响 Table 8 Effect of drift errors on QPMap performance 扰动级别 APdiv/% APped/% APbou/% mAP/% (0 m, 0°) 74.6 69.5 72.9 72.3 (2 m, 1°) 74.4 69.0 72.6 72.0 (5 m, 3°) 70.5 65.5 69.2 68.4 (10 m, 5°) 61.5 58.2 61.5 60.4 (15 m, 10°) 55.4 52.1 56.0 54.5

表8 定位误差对QPMap性能的影响 Table 8 Effect of drift errors on QPMap performance

由表8可见, 当施加轻中度扰动时, 得益于交叉注意力机制的全局感受野与特征对齐能力, mAP值分别维持在72.0%和68.4%, 依然显著优于纯视觉方法.然而, 当漂移达到(10 m, 5°)的临界范围时, 先验地图的结构特征与视觉观测在BEV空间内发生严重错位, 导致交叉注意力难以获取有效匹配, 发生软降级, mAP值降至60.4%, 与MapTRv2性能基本持平.当面临(15 m, 10°)的极端漂移时, 错误的先验信息开始产生一定的负面干扰, 导致精度进一步下降.实验表明, QPMap对5 m以内的常规GPS漂移具有较强的容忍度, 能有效适应“ 城市峡谷” 等弱定位场景.