近日，地平線兩篇論文入選國際計(jì)算機(jī)視覺頂會(huì)ECCV 2024，自動(dòng)駕駛算法技術(shù)再有新突破。

ECCV（European Conference on Computer Vision，即歐洲計(jì)算機(jī)視覺國際會(huì)議），是計(jì)算機(jī)視覺領(lǐng)域中最頂級(jí)的會(huì)議之一，與ICCV（International Conference on Computer Vision）和CVPR（Conference on Computer Vision and Pattern Recognition）并稱為計(jì)算機(jī)視覺領(lǐng)域的“三大頂會(huì)”。ECCV每兩年舉行一次，吸引了全球頂尖的研究人員、學(xué)者和業(yè)界專家，分享最新的研究成果與技術(shù)創(chuàng)新。

聚創(chuàng)新之力 答智駕課題

本次地平線被錄用的2篇論文是：

1、Lane Graph as Path: Continuity-preserving Path-wise Modeling for Online Lane Graph Construction

（《LaneGAP：用于在線車道圖構(gòu)建的連續(xù)性路徑建?！罚?/p>

論文鏈接：https://arxiv.org/abs/2303.08815

2、Occupancy as Set of Points

（《OSP：基于點(diǎn)集表征的占據(jù)網(wǎng)格預(yù)測(cè)》）

論文鏈接：https://arxiv.org/abs/2407.04049

車道圖構(gòu)建新方案：

端到端學(xué)習(xí)路徑，大幅提升預(yù)測(cè)規(guī)劃性能

在線車道圖構(gòu)建是自動(dòng)駕駛領(lǐng)域一項(xiàng)有前途但具有挑戰(zhàn)性的任務(wù)。LaneGAP 是一種車道圖構(gòu)建新方法，將端到端矢量地圖在線構(gòu)建方法 MapTR（入選深度學(xué)習(xí)頂會(huì)ICLR spotlight論文）拓展到道路拓?fù)浣?，能夠大幅提升預(yù)測(cè)規(guī)劃性能，應(yīng)對(duì)各種復(fù)雜交通狀況。LaneGAP 和 MapTR 相關(guān)工作已經(jīng)在地平線高階智駕系統(tǒng)SuperDrive中落地應(yīng)用。

具體而言，以前的方法通常在像素或片段級(jí)別對(duì)車道圖進(jìn)行建模，并通過逐像素或分段連接恢復(fù)車道圖，這會(huì)破壞車道的連續(xù)性。作者提出一種基于路徑的在線車道圖構(gòu)建方法—— LaneGAP，它采用了端到端學(xué)習(xí)路徑，并通過 Path2Graph 算法恢復(fù)車道圖。LaneGAP在具有挑戰(zhàn)性的 nuScenes 和 Argoverse2 數(shù)據(jù)集上定性和定量地證明了 LaneGAP 優(yōu)于傳統(tǒng)的基于像素和基于片段的方法。豐富的可視化效果顯示 LaneGAP 可以應(yīng)對(duì)各種復(fù)雜交通狀況。

Occupancy新突破：

全新視角，性能更強(qiáng)大，計(jì)算更靈活

OSP提出了全新視角下的自動(dòng)駕駛場(chǎng)景建模算法——稀疏點(diǎn)集占據(jù)網(wǎng)格預(yù)測(cè)方法，通過與2D圖像特征交互的點(diǎn)查詢，建立了一種新的基于點(diǎn)的占用表示，可以全面理解3D場(chǎng)景，并且框架更靈活，性能更強(qiáng)大。

本文探索了利用多視角圖像進(jìn)行3D占據(jù)網(wǎng)格預(yù)測(cè)的新方法，稱為“點(diǎn)集占據(jù)網(wǎng)格”?，F(xiàn)有方法傾向于利用BEV表征進(jìn)行占據(jù)網(wǎng)格預(yù)測(cè)，因此很難將注意力集中在特殊區(qū)域或感知范圍之外的區(qū)域。相比之下，本文提出了Points of Interest (PoIs) 來表示場(chǎng)景，并提出了 OSP，一種基于點(diǎn)的 3D 占用預(yù)測(cè)的新框架。得益于點(diǎn)集表征的靈活性，OSP 與現(xiàn)有方法相比實(shí)現(xiàn)了強(qiáng)大的性能，并且在訓(xùn)練和推理適應(yīng)性方面表現(xiàn)出色：可以預(yù)測(cè)感知邊界外的范圍；可以與基于體特征的方法集成以提升性能。在Occ3D nuScenes占用基準(zhǔn)上的實(shí)驗(yàn)表明，OSP具有強(qiáng)大的性能和靈活性。

除了這兩篇斬獲ECCV 2024的最新成果，地平線在ICCV 2023上提出的VAD也有創(chuàng)新進(jìn)展。VADv2首次提出基于概率建模的多模態(tài)決策端到端自動(dòng)駕駛大模型，在閉環(huán)榜單Carla Town05 Benchmark上達(dá)到SOTA的端到端自動(dòng)駕駛規(guī)劃性能。

此前，VAD初步探索了基于矢量化場(chǎng)景表征的端到端自動(dòng)駕駛算法框架，在此基礎(chǔ)上，VADv2首次將多模態(tài)概率規(guī)劃引入端到端自動(dòng)駕駛，用于解決判決式模型無法建模決策的天然多模態(tài)特性的問題，從而有效提升決策的準(zhǔn)確率。VADv2以數(shù)據(jù)驅(qū)動(dòng)的范式從大量駕駛數(shù)據(jù)中端到端學(xué)習(xí)駕駛策略，在Carla閉環(huán)榜單上，相比于此前的方案，VADv2大幅提升駕駛評(píng)分，實(shí)現(xiàn)SOTA性能，在無需規(guī)則后處理的情況下也能有良好的駕駛表現(xiàn)。

于7月21日-27日，正在奧地利維也納舉辦的2024國際機(jī)器學(xué)習(xí)大會(huì)（ICML 2024）上，地平線被ICML 2024接收的最新工作Vision Mamba（簡稱Vim）也受邀做了分享。Vision Mamba是一種新的通用視覺主干模型，相比現(xiàn)有的視覺Transformer，在性能上有顯著提升，是接替Transformer的下一代視覺基礎(chǔ)模型。

Vision Mamba使用雙向狀態(tài)空間模型（SSM）對(duì)圖像序列進(jìn)行位置嵌入，并利用雙向SSM壓縮視覺表示。在ImageNet分類、COCO目標(biāo)檢測(cè)和ADE20k語義分割任務(wù)中，Vim相比現(xiàn)有的視覺Transformer（如DeiT）在性能上有大幅提升，同時(shí)在計(jì)算和內(nèi)存效率上也有顯著改進(jìn)。例如，在進(jìn)行分辨率為1248×1248的批量推理時(shí)，Vim比DeiT快2.8倍，GPU內(nèi)存節(jié)省86.8%。這些結(jié)果表明，Vim能夠克服在高分辨率圖像理解中執(zhí)行Transformer樣式的計(jì)算和內(nèi)存限制，具有成為下一代視覺基礎(chǔ)模型主干的潛力。

地平線「你好，開發(fā)者」直播預(yù)告

為了讓智駕開發(fā)者更深入地了解這些最新的研究成果與算法創(chuàng)新，地平線策劃推出2024年「你好，開發(fā)者」自動(dòng)駕駛技術(shù)專場(chǎng)，邀請(qǐng)到地平線各位技術(shù)專家進(jìn)行直播分享。敬請(qǐng)關(guān)注！