目前HD地图构建的四种主流方案的优势与不足对比

高精度(High-Definition, HD)语义地图是目前自动驾驶领域的一个重要研究方向，近年随着Transformer和BEV的大火，很多大佬团队都开展了HD语义地图构建相关的工作。2021年7月，清华大学MARS实验室提出了HDMapNet。紧随其后，同一团队又在今年6月公开了后续工作VectorMapNet。同时，MIT和上海交通大学也在今年5月提出了BEVFusion。今年11月底的时候，苏黎世联邦理工学院、毫末、国防科大、阿尔托大学又联合开发了SuperFusion。这四种方案基本上就是目前HD地图构建的主流方案。

本文将带领读者深入探讨这四种方案的优势与不足，通过对比方案来思考HD地图构建的重点与难点。当然笔者水平有限，如果有理解错误的地方欢迎大家一起讨论，共同学习。 温馨提示，本文讨论的方案都是开源的，各位读者可以在这些工作的基础上开展自己的研究！文末附原文链接和代码链接！

1. 为什么自动驾驶都要做BEV感知？

先说答案：因为自动驾驶要求的是空间感知单纯的前视摄像头输入，看到的只是有限视角内的画面。而自动驾驶任务要求的是对车辆周围整体空间范围内的感知，因此往往需要对输入的环视相机/激光雷达进行投影，转到BEV视角下进行HD地图的构建。 那么BEV感知的难点是什么呢？ 在自动驾驶的车道线检测、可行驶区域检测等任务中，都是针对前视摄像头输入进行逐像素的分割/检测，每个输入像素都对应一个输出类别。这种一一对应的关系使得我们可以很容易得应用CNN/Transformer模型进行分割/检测。 但自动驾驶BEV感知已经不仅仅是2D感知问题，在空间变换的过程中像素很有可能发生畸变！比如，前视摄像头中的车辆，转换到BEV视角下可能已经不是车辆的形状了！再比如，前视摄像头中相邻很近的两个物体，转换到BEV视角下变得相隔很远。

既然如此，可不可以先针对图像进行分割处理，然后再投影到BEV视角呢？ 理论上来说这是一个很好的解决思路，避免了三维物体在投影过程中产生的畸变，但在实际操作过程中，会发现很容易造成多相机之间的不一致问题！

因此，需要直接针对BEV空间进行处理以构建HD地图！此外，BEV空间也使得相机和雷达的融合变得简单。

2. 传统的HD语义地图构建有什么问题？

先说说传统的HD地图构建方案： 基本上目前SLAM的落地方案都是分成两部分，一个是配备高精度传感器的地图采集车，用于对环境信息进行高精度的采集和处理，一个是乘用车，也就是大家所熟知的SLAM中的仅定位。 具体思路是，首先利用高精度传感器（雷达/IMU/相机/GPS/轮速计）在园区上来回往复运行，得到带有回环的轨迹以后基于SLAM方法获得全局一致性地图，后面交友标注员进行手工处理，得到静态HD地图。后面的乘用车就是将自身提取到的特征和前面构建的HD地图进行特征匹配，进行仅定位。这么做有什么问题呢？(1) 整体的Pipeline非常长，导致工艺流程非常繁琐。 (2) 手工标注需要消耗大量人力。不知道大家有没有手动打深度学习标签的经历，真的是非常痛苦。 (3) 需要在实际运行过程中更新地图。我认为这也是最重要的一点，上述基于手工方法构建的HD地图是完全的静态地图，但实际运行场景必然与之前构建的地图有所区别（比如某个车移动了位置，某个箱子转运到了其他位置）。所以乘用车在实际运行过程中需要实时更新并存储HD地图，这也是个非常繁琐的课题。但基于学习的端到端的方案是可以解决这一问题的，虽然从目前来看基于学习的方案在精度上还稍有不足，但相信这一问题可以很快被解决。

我们希望实现什么效果呢？(1) 简单，最好是端到端的网络架构。 (2) 自动、在线得构建HD地图。 (3) 能够不受动态环境影响，直接构建HD地图。

3. 清华大学开源HDMapNet

清华大学2021年7月开源的HDMapNet，其主要思路是输入环视相机和雷达点云，将相机和雷达点云分别进行特征提取后投影到BEV空间，在BEV空间里进行特征融合。注意，在BEV空间里进行特征融合是非常有优势的！之后，便是在BEV空间内进行解码。解码器共有三个输出，第一是地图的语义分割结果，里面包含了地图里哪个是车道线、哪个是路标、哪个是人行横道线。第二是实例Embedding，里面包含了实例信息，主要表达车道线和车道线直接、路标和路标之间的实例区分。第三是方向信息，主要表达了HD地图中每条线的方向。最后，语义分割HD地图首先和实例Embedding进行融合，得到实例化的HD地图，并融合方向信息以及NMS得到矢量化的HD地图。

需要特别注意的是，HDMapNet并不一定需要做多传感器融合，纯相机或者纯雷达也是可以基于HDMapNet构建HD地图，只是效果相对要弱一些。HDMapNet的结果显示，相机对于车道线、人行横道线这种视觉纹理丰富的特征识别的较好，雷达对于路沿这种物理边界的效果更好。 但纯相机或纯雷达的操作真的给一些经费受限的小伙伴带来了福音！

一句话总结：HDMapNet实现了多模态BEV视角下的HD地图构建！

4. 清华大学后续工作VectorMapNet

我们可以发现，HDMapNet的重点在于BEV空间下的特征提取。 但问题是，这个Pipeline仍然有点长了，有没有更加端到端的方案？也就是说，直接输入图像和雷达，经过某个深度神经网络，直接输出HD地图。为解决这个问题，清华大学MARS实验室今年6月又开源了新的工作VectorMapNet。他们的思路是啥？ (1) 需要找到一种更合适的图形来表示HD地图，MARS实验室认为折线更有利于HD地图的表达。此外，谷歌2020年的CVPR论文VectorNet: Encoding HD Maps and Agent Dynamics from Vectorized Representation也提出了这种用折线来表达HD地图的方案，谷歌官方没有开源，但Github上有Pytorch实现https://github.com/Henry1iu/TNT-Trajectory-Prediction，感兴趣的小伙伴可以复现一下，但目前该网络仍然需要非常大的显存(128G+)。 (2) 之前的HDMapNet还是处理的分割问题，但如果将分割问题转换为检测问题，会更有利于矢量地图的构建。 (3) 基于DETR进行开发有利于HD地图的构建。

其实，VectorMapNet的网络架构就是三个部分：投影、检测、生成。投影就类似HDMapNet，将输入的相机和雷达转换到BEV视角，得到BEV特征图。检测就是提取HD地图元素，具体来说就是基于Query来提取关键点，这里的关键点可以是车道线的起点、终点、中间点。这个检测的思想其实非常巧妙，它没有在中间过程就得到非常多的输出点，而是选取了更简洁更统一化的表示！生成就是指得到折线化矢量化的HD地图，也是一个自回归模型，具体思路也是基于Transformer回归每个顶点坐标。 虽然整体来看架构有些复杂，但这个网络是直接端到端的，有利于训练和应用。笔者个人感觉，VectorMapNet的一个更有意思的点在于，它是一个端到端的多阶段网络。也就是说，网络不再是一个完全的黑盒子。如果网络的输出结果出现漏检/误检，那么我们可以打印出中间的关键点，看看具体是哪一个阶段出现了问题。

结果显示，VectorMapNet这种基于检测的方案性能远超HDMapNet。例如在人行横道上的预测AP提升了几乎32个点，在整体的mAP上也提升了22.7个点。

从定性结果也可以看出，VectorMapNet对于细节的把握是非常好的。HDMapNet和STSU经常出现漏检，但VectorMapNet很少。在Ground Truth上的车道线有时会出现一些细小的波折，HDMapNet和STSU很难检测出来，但VectorMapNet提取的HD地图轮廓与真值更吻合。 说到这里，也肯定有小伙伴关心VectorMapNet端到端方案和HDMapNet后处理方案之间的优劣。可以发现的是，HDMapNet在进行一些后处理时，很容易将一条检测线检测为两条，这主要是由于分割过程中对于车道线的分割结果过宽导致的。在实际使用中，这种将一条车道线检测为两条的结果会导致很严重的问题。这也说明了基于检测的HD地图方案要优于基于分割的HD地图方案。

不仅如此，VectorMapNet更强大的地方在于，它甚至可以检测出来未标注的车道线！从下图可以看出，在原始的数据集中漏标了一条车道线，HDMapNet无法检测出来，但VectorMapNet却输出了这一结果。

一句话总结：VectorMapNet基于检测思路优化了HDMapNet！

5. MIT&上交&OmniML开源BEVFusion

这篇文章大家就都比较熟悉了， MIT韩松团队开源的BEVFusion，文章题目是BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation。注意和NeurIPS 2022论文BEVFusion: A Simple and Robust LiDAR-Camera Fusion Framework要区分开。 单从网络架构上来看，感觉和HDMapNet原理非常类似，都是先从相机、雷达输入分别提取特征并投影到BEV空间，然后做BEV视角下的解码，输出结果不太相同，BEVFusion除了HD地图外还输出了3D目标检测的结果。 这篇文章其实解答了困惑我很久的一个问题，就是为什么不先把图像投影到雷达，或者雷达投影到图像，然后再一起转到BEV空间下，而是要分别提取特征再到BEV空间下进行特征融合。这是因为相机到激光雷达的投影丢掉了相机特征的语义密度，对于面向语义的任务（如三维场景分割）有非常大的影响。

 

感觉BEVFusion的主要创新点还是基于BEV池化提出了两个效率优化方法：预计算与间歇降低。预计算：BEV池化的第一步是将摄像头特征点云的每个点与BEV网格相关联。与激光雷达点云不同，摄像头特征点云的坐标是固定的。基于此，预计算每个点的3D坐标和BEV网格索引。还有根据网格索引对所有点进行排序，并记录每个点排名。在推理过程中，只需要根据预计算的排序对所有特征点重排序。这种缓存机制可以将网格关联的延迟从17ms减少到4ms。间歇降低： 网格关联后，同一BEV网格的所有点将在张量表征中连续。BEV池化的下一步是通过一些对称函数（例如，平均值、最大值和求和）聚合每个BEV网格内的特征。现有的实现方法首先计算所有点的前缀和，然后减去索引发生变化的边界值。然而，前缀和操作，需要在GPU进行树缩减（tree reduction），并生成许多未使用的部分和（因为只需要边界值），这两种操作都是低效的。为了加速特征聚合，BEVFusion里实现一个专门的GPU内核，直接在BEV网格并行化：为每个网格分配一个GPU线程，该线程计算其间歇和（interval sum）并将结果写回。该内核消除输出之间的依赖关系（因此不需要多级树缩减），并避免将部分和写入DRAM，从而将特征聚合的延迟从500ms减少到2ms。 通过优化的BEV池化，摄像头到BEV的转换速度提高了40倍：延迟从500ms减少到12ms（仅为模型端到端运行时间的10%），并且可以在不同的分特征辨率之间很好地扩展。

输出结果也很漂亮：联合实现了3D目标检测和语义地图构建。

一句话总结：BEVFusion大幅降低了计算量！

6. 苏黎世联邦理工开源SuperFusion

说实话，这项工作感觉非常惊艳！ HDMapNet和VectorMapNet的指导老师赵行教授也表示过，现有的基于学习的HD地图构建方案的主要问题在于，所构建的HD地图仍然是短距离地图，对于长距离表达还有一些不足。而SuperFusion这项工作就专门解决了这个长距离HD建模问题，它可以构建90m左右的HD地图，而同年提出的HDMapNet建模长度也不过30m。 如下图所示，红色汽车代表汽车当前的位置，蓝色星星代表目标。结果显示，SuperFusion在生成短程（30 m）的HD语义地图基础上，预测高达90 m距离的远程HD语义地图。这给自动驾驶下游路径规划和控制模块提供了更强平稳性和安全性。

SuperFusion整体的网络结构是利用雷达和相机数据在多个层面的融合。在SuperFusion中体现了三种融合策略： 数据层融合：融合雷达的深度信息以提高图像深度估计的精度。 特征层融合：使用交叉注意力进行远距离的融合，在特征引导下进行BEV特征预测。 BEV级融合：对齐两个分支，生成高质量的融合BEV特征。 最后，融合后的BEV特征可以支持不同的头部，包括语义分割、实例嵌入和方向预测，进行后处理生成高清地图预测。

定性和定量结果也表明，SuperFusion相较于其他HD语义地图构建方案来说，性能提升很明显，尤其是长距离建模。这种长距离建模能力使得SuperFusion更有利于自动驾驶下游任务。

 

一句话总结：SuperFusion实现了长距离HD语义地图构建！

7. 结论

本文带领读者探讨了自动驾驶任务中的HD语义地图构建的主要问题，并介绍了4种主流的HD语义地图构建方案，分别是清华大学开源的HDMapNet和VectorMapNet、MIT&上交开源的BEVFusion、苏黎世联邦理工&毫末&国防科大&阿尔托开源的SuperFusion。四种方案主要都是在nuScenes上进行评估的，其中HDMapNet和VectorMapNet主要解决的是如何端到端的实现HD地图构建问题，BEVFusion主要解决的是计算效率问题，SuperFusion主要解决的是长距离HD地图构建问题。四种方案的底层架构其实都是Transformer，这也说明了Transformer在多模态和CV领域的影响力越来越大了。其实，现有的HD语义地图中表达的语义信息也都是像车道线、人行横道线的这种低级语义。作者个人认为，在未来，HD语义地图的发展趋势是提取更高级别的语义，比如车辆识别到了一个正在横穿马路的行人，我们想知道的不仅仅是马路上有个人，我们更想让自动驾驶车辆理解的是，这个人的具体意图是什么。

审核编辑：郭婷