参考代码：BeMapNet。PS：代码暂未放出，关注该仓库动态

动机和主要贡献
在MapTR系列的算法中将单个车道线建模为固定数量的有序点集（对应下图Evenly-based），这样的方式对于普通道路场景具备一定适应性。但是却存在对复杂道路建模能力不足，对简单道路建模冗余的问题，针对这样的问题解决思路便是网络依据车道线具体情况预测关键点（对应下图Pivot-based），也就是像下图这样使用关键点描述车道线元素：

为了使得网络能够依据具体场景动态输出车道线关键点数量，文章做了以下几个方面的工作：

• 1）对laneline的query做了修改，使用对每个关键点（point-query）采用学习的方式，这样可以使的点与点之间表达可以独立，这样更有利于这样动态点的表示
• 2）将lane-query和bev下的车道线分割建立关联，使得网络对车道线拓扑结构感知更清晰，同时收敛速度变快
• 3）对于关键点匹配提出一种代价最小化动态规划算法，加快匹配速度

方案流程与框图

从上图的框图可以看到算法分为如下几个部分：

• 1）BEV query构建BEV特征
• 2）按照点建模的方式构建车道线表达，并通过mlp获得车道线实例表征，之后通过矩阵乘法得到车道线分割结果，这样车道线具有了对位置和车道结构感知能力
• 3）使用提出的动态匹配算法建立预测和真值之间的关联，实现车道线预测

车道数据预处理
在数据预处理中，需要对车道线中的关键点进行抽取，如下图所示：

对这样的问题可以采用距离阈值类的方法实现，如Douglas-Peuker。

车道线实例化表达
在初始的时候使用一堆点的方式构建车道线query，它的维度是$Q_{m,n}\in R^{M\ast N\ast C}$，其中$M,N$分别代表车道实例数和车道线线上最大点数。注意由于每条车道线中关键点的位置是不一致的，则使用share方式构建的point-query会存在一定歧义（也就是文中说的Hierarchical Query），这种share方式构建的index-dependent，而对于动态预测车道线关键点则需要index-independent。它们两者的对车道线的建模方式对比见下图：

自然在文章算法所需要的场景下这两种建模方式的性能比较：

query确定之后，其经过几层全联接得到车道线的表达$I_m\in R^C$，再与BEV特征$F_b\in R^{C\ast H\ast W}$做矩阵乘法得到分割结果${\mathcal{M}}_m\in R^{H\ast W}$，也就是下图表述的过程：

这里涉及到分割损失：
$${\mathcal{L}}_{LA}=L_{bce}({\hat{M}}_{line},M_{line})+L_{dice}({\hat{M}}_{line},M_{line})$$

车道线回归
上述内容得到了车道线的实例表达，接下来就是预测得到车道线的回归值 S ^ = { v ^ n } n = 1 N \hat{S}=\{\hat{v}_n\}_{n=1}^N S^={v^n​}n=1N​，而关键点的真值 S p = { v n } n = 1 T S^p=\{v_n\}_{n=1}^T Sp={vn​}n=1T​。由于两者的数量是不一致的，需要在预测中寻找与关键点真值最匹配的一组点，也就是下图描述的这样：

自然是不能用暴力枚举的方式了，这里使用了动态规划寻找最小代价的方式，具体实现文章里已经给出了。那么对于监督这块可以具体划分为几个部分：

按照匹配的结果对关键点构建约束：
$$L_{pp}=\frac{1}{T}\sum _{n=1}^T||{\hat{S}}_n^p-S_n^p|{|}_1$$
除开关键点之外的其它点则采用插值的方式构建约束，首先由关键点得到其它点：
$$C_{n,r}=(1-{\theta }_{n,r})S_n^p+{\theta }_{n,r}{S}_{n+1}^p$$
则预测的关键点和真实关键点之间差值的结果建立约束：
$$L_{cp}=\frac{1}{N-T}\sum _{n=1}^{T-1}\sum _{r=1}^{R_n}||{\hat{C}}_{n,r}-C_{n,r}|{|}_1$$
对于每条车道线都会预测出$N$个点，那么那些点才是关键点呢？这里使用BCE方式去约束：
$$L_{cls}=\frac{1}{N}\sum _{n=1}^N{L}_{bce}(p_n,f({\hat{S}}_n\in {\hat{S}}^p))$$
最后车道线回归部分损失就是几个的和：
$$L_{DVS}={\alpha }_1{L}_{pp}+{\alpha }_2{L}_{cp}+{\alpha }_3{L}_{cls}$$

实验结果
与其它一些向量化车道线方法的对比：