近日，地平線兩篇論文入選國際計算機視覺頂會ECCV 2024，自動駕駛算法技術再有新突破。

ECCV（European Conference on Computer Vision，即歐洲計算機視覺國際會議），是計算機視覺領域中最頂級的會議之一，與ICCV（International Conference on Computer Vision）和CVPR（Conference on Computer Vision and Pattern Recognition）并稱為計算機視覺領域的“三大頂會”。ECCV每兩年舉行一次，吸引了全球頂尖的研究人員、學者和業界專家，分享最新的研究成果與技術創新。

聚創新之力 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：用于在線車道圖構建的連續性路徑建模》）

論文鏈接：https://arxiv.org/abs/2303.08815

2、Occupancy as Set of Points

（《OSP：基于點集表征的占據網格預測》）

論文鏈接：https://arxiv.org/abs/2407.04049

車道圖構建新方案：

端到端學習路徑，大幅提升預測規劃性能

在線車道圖構建是自動駕駛領域一項有前途但具有挑戰性的任務。LaneGAP 是一種車道圖構建新方法，將端到端矢量地圖在線構建方法 MapTR（入選深度學習頂會ICLR spotlight論文）拓展到道路拓撲建模，能夠大幅提升預測規劃性能，應對各種復雜交通狀況。LaneGAP 和 MapTR 相關工作已經在地平線高階智駕系統SuperDrive中落地應用。

具體而言，以前的方法通常在像素或片段級別對車道圖進行建模，并通過逐像素或分段連接恢復車道圖，這會破壞車道的連續性。作者提出一種基于路徑的在線車道圖構建方法—— LaneGAP，它采用了端到端學習路徑，并通過 Path2Graph 算法恢復車道圖。LaneGAP在具有挑戰性的 nuScenes 和 Argoverse2 數據集上定性和定量地證明了 LaneGAP 優于傳統的基于像素和基于片段的方法。豐富的可視化效果顯示 LaneGAP 可以應對各種復雜交通狀況。

Occupancy新突破：

全新視角，性能更強大，計算更靈活

OSP提出了全新視角下的自動駕駛場景建模算法——稀疏點集占據網格預測方法，通過與2D圖像特征交互的點查詢，建立了一種新的基于點的占用表示，可以全面理解3D場景，并且框架更靈活，性能更強大。

本文探索了利用多視角圖像進行3D占據網格預測的新方法，稱為“點集占據網格”。現有方法傾向于利用BEV表征進行占據網格預測，因此很難將注意力集中在特殊區域或感知范圍之外的區域。相比之下，本文提出了Points of Interest (PoIs) 來表示場景，并提出了 OSP，一種基于點的 3D 占用預測的新框架。得益于點集表征的靈活性，OSP 與現有方法相比實現了強大的性能，并且在訓練和推理適應性方面表現出色：可以預測感知邊界外的范圍；可以與基于體特征的方法集成以提升性能。在Occ3D nuScenes占用基準上的實驗表明，OSP具有強大的性能和靈活性。

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也有創新進展。VADv2首次提出基于概率建模的多模態決策端到端自動駕駛大模型，在閉環榜單Carla Town05 Benchmark上達到SOTA的端到端自動駕駛規劃性能。

此前，VAD初步探索了基于矢量化場景表征的端到端自動駕駛算法框架，在此基礎上，VADv2首次將多模態概率規劃引入端到端自動駕駛，用于解決判決式模型無法建模決策的天然多模態特性的問題，從而有效提升決策的準確率。VADv2以數據驅動的范式從大量駕駛數據中端到端學習駕駛策略，在Carla閉環榜單上，相比于此前的方案，VADv2大幅提升駕駛評分，實現SOTA性能，在無需規則后處理的情況下也能有良好的駕駛表現。

于7月21日-27日，正在奧地利維也納舉辦的2024國際機器學習大會（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的下一代視覺基礎模型。

Vision Mamba使用雙向狀態空間模型（SSM）對圖像序列進行位置嵌入，并利用雙向SSM壓縮視覺表示。在ImageNet分類、COCO目標檢測和ADE20k語義分割任務中，Vim相比現有的視覺Transformer（如DeiT）在性能上有大幅提升，同時在計算和內存效率上也有顯著改進。例如，在進行分辨率為1248×1248的批量推理時，Vim比DeiT快2.8倍，GPU內存節省86.8%。這些結果表明，Vim能夠克服在高分辨率圖像理解中執行Transformer樣式的計算和內存限制，具有成為下一代視覺基礎模型主干的潛力。

地平線「你好，開發者」直播預告

為了讓智駕開發者更深入地了解這些最新的研究成果與算法創新，地平線策劃推出2024年「你好，開發者」自動駕駛技術專場，邀請到地平線各位技術專家進行直播分享。敬請關注！