自动驾驶行业蓬勃发展
，而其中的辅助驾驶系统 (ADAS) 或者L2到L4的驾驶场景都必要提供一些车路线检测职能如Automated Lane Centering (ALC)和 Lane Departure Warning (LDW)。这其中的主题？榫褪且桓雎嘲舻
，泛化机能好的车路线检测器。而随着深度进建的不休演进
，2D车路线检测已经有了较为成熟的做法。但是2D车路线其实是无法满足工业界的真正需要
，重要体此刻两点。

1. 下游的规控？楸匾德废呒觳獠谀耦际咏牵˙EV）
，而仅作单一的前视图到鸟瞰图的投影会极大依赖于相机参数
，而这在现实场景中是很难获取到正确的真值。

2. 车路线的高度信息在投影过程中占有很沉要的职位
，尤其是在高低坡场景中
，高度信息会极大地影响投影质量
，而之前的投影做法是在水平路面的如果上进行的。而目前市面上短缺一个带高度信息的车路线数据集。

如图所示是直观的介绍从(a)Perspective View到(b)中Bird Eye View做车路线检测的动机：在平面如果下
，车路将在投影BEV中分叉/汇聚
，思考到高度的3D解决规划能够正确预测这种情况下的平行拓扑结构。而(c)在特点层面用PersFormer做投影
，能较好地加强投影特点
，进而解决BEV下检测禁绝的问题。

如图是整个PersFormer流水线：其主题是进建早年视图到BEV空间的空间特点转换
，关注参考点周围的部门环境
，在指标点（target point）天生的BEV特点将更具代表性
；PersFormer由自把稳？樽槌
，用于与自身BEV查问进行交互
；交叉把稳？榇踊贗PM的前视图特点中获取key-value对
，天生细粒度BEV特点。

PersFormer整体pipeline

这里主干网将resized图像作为输入
，并天生多尺度前视图特点。主干网选取了盛行的ResNet变型
，这些特点可能会受到尺度变动、遮挡等缺点的影响
，这些缺点来自前视图空间中固有的特点提取。最后
，车路检测头掌管预测2D和3D坐标以及车路类型。2D/3D检测头被称为LaneATT和3D LaneNet
，其中对结构和锚点设计进行了一些批改。

交叉把稳力机造示意图

进一步的指标是统一2-D车路检测和3-D车路检测工作
，选取多工作进建（multi-task learning）进行优化。一方面
，透视图中
，2D车路检测依然作为各人的兴致
；另一方面
，统一2D和3D工作天然是可行的
，由于预测3D输出的BEV特点来自2D分支中的对应项。

如图是在2D和3D中统一锚点设计：首先在BEV空间（左）搁置策动的锚点（红色）
，而后将其投影到前视图（右）。偏移量xik和uik（虚线）预测真值（黄色和绿色）到锚点的匹配。这样就成立了对应关系
，并一路优化了特点。

统一2D和3D锚点设计示意图

OpenLane蕴含20万帧、超过88万条事俘级车路、14个车路类别（单白色虚线、双黄色实体、左/右路边等）
，以及场景标签和路线邻近指标（CIPO）注解
，以激励开发3D车路检测和更多与产业有关的自动驾驶步骤。

如表是OpenLane和其他基准线的比力：

OpenLane与现有基准的比力

“Avg. Length”暗示分段的均匀持续功夫
；

“Inst.Anno.”批示车路是否按事俘注解（按c.f.语义注解）
；

“Track. Anno.”暗示车路是否拥有唯一的跟踪ID
；

“#Frames”中的数字别离是总帧中带注解的帧数
；

“Line Category”暗示车路种类
；

“Scenario”暗示场景标签。

? 车路状态：每个2D/3D车路显示为一组2D/3D点

? 车路类别：每条车路都有一个类别
，例如双黄线或路缘

? 车路属性：某些车路拥有右、左等属性

? 车路跟踪ID：除路缘表
，每条车路都有唯一的ID

? 停车线和路缘

（有关更多注解尺度
，请参考车路Anno尺度）

? 二维天堑框：其类别暗示对象的沉要性级别

? 场景象征：它描述了在哪个场景中网络此帧

? 气象标签：它描述了在什么气象下网络此帧

? 幼时象征：它注解了网络此帧的功夫

OpenLane标注样例

OpenLane样例概览
，涵盖夜晚、日光、弯路等多种场景

我们在幼规仿照真3D车路线数据集Apollo和大规模真实场景3D车路线数据集OpenLane别离做了尝试
，均达到SOTA水平。

Apollo尝试了局

OpenLane尝试了局

消融尝试对比